如今，一种人工智能框架能在数秒内解出曾经无法求解的物理学方程。这一突破重新定义了科学家研究物质行为的方式。

新墨西哥大学和洛斯阿拉莫斯国家实验室的研究人员构建了一个先进的计算框架，解决了困扰统计物理学家数十年的一个重大难题。

该系统名为高维对象表示张量（Tensors for High-dimensional Object Representation，简称THOR）人工智能框架，它运用张量网络算法，高效压缩并分析庞大的构型积分与偏微分方程。这些方程是确定材料在不同热力学和力学条件下行为特征的基础。研究人员将张量网络与代表原子间作用力和原子运动的机器学习势能相结合，实现了对各种物理环境下材料精确且可扩展的模拟。

“构型积分——用于捕捉粒子间的相互作用——其计算过程极为复杂且耗时，在涉及极端压力或相变的材料科学应用中更是如此，”该项目负责人、洛斯阿拉莫斯国家实验室高级人工智能科学家博扬·亚历山德罗夫说道，“精确测定热力学行为，能让我们对统计力学的科学认知更加深入，并为冶金等关键领域提供重要参考。”

突破经典模拟的局限

从历史角度看，科学家们一直依赖分子动力学和蒙特卡洛模拟等近似方法来估算构型积分。这些技术通过间接模拟长时间尺度上的原子运动，来规避“维度灾难”问题——即每增加一个变量，计算复杂度便会呈指数级增长，甚至让全球最快的超级计算机也难以招架。尽管这类模拟需要数周的密集运算，所得结果却依然有限。

新墨西哥大学化学与生物工程系教授迪米特尔·佩采夫（Dimiter Petsev）常与亚历山德罗夫（Alexandrov）在材料科学研究领域展开合作。在了解到亚历山德罗夫团队开发的新型计算策略后，佩采夫意识到这些策略可直接用于求解构型积分——这在统计力学中曾被视为一项不可能完成的任务。

佩采夫表示：“传统意义上，由于积分往往涉及数千量级的维度，直接求解构型积分一直被视为不可能完成的任务。即便使用现代计算机，经典积分方法所需的计算时间也将远超宇宙年龄。”“然而，张量网络方法提供了一种全新的精度与效率标准，其他方法均可据此进行比对评估。”

THOR人工智能实现快速精准计算

THOR人工智能借助一种名为“张量火车交叉插值”的数学方法，将这一高维难题转化为一个易于处理的问题，该方法通过将积分函数的高维数据立方体表示为一系列较小且相互连接的组件。该方法的定制变体能够识别出重要的晶体对称性，从而无需牺牲精度，即可在数秒内完成构型积分的计算，而非耗费数千小时。

将THOR AI应用于铜等金属、高压下的氩气等惰性气体（处于晶态时），以及锡的固-固相变计算，该系统得出的结果与洛斯阿拉莫斯实验室（Los Alamos）最优模拟结果一致，但运算速度要快400多倍。此外，THOR AI还能与基于现代机器学习的原子模型无缝协作，因而成为材料科学、物理学和化学领域的一款多功能工具。

“这一突破以第一性原理计算取代了沿用一个多世纪的构型积分模拟与近似方法，”洛斯阿拉莫斯国家实验室的科学家、发表在《物理评论材料》上的这项研究的主要作者杜克·特鲁昂说道，“THOR 人工智能为更快地发现新材料、更深入地理解材料特性打开了大门。”

THOR 项目已在 GitHub 上开源。