科学家研发出一款人工智能系统，能够迅速预测液晶中复杂的缺陷模式，将模拟时间从数小时缩短至毫秒级。该方法或将彻底变革先进材料的设计与测试方式。

当对称性被打破时，物质世界中的诸多复杂结构便应运而生。当系统从平衡对称的状态转变为有序状态时，细微却稳定的非规则性现象便会显现。这些特征被称作拓扑缺陷。它们广泛存在于从宇宙结构到日常物质的各个尺度层面，因而成为研究复杂系统中秩序如何形成的重要途径。

液晶作为模型体系

科学家们常借助向列相液晶来研究这些缺陷。在这类材料中，分子虽能自由旋转，却大致保持着同一指向。这种特性使液晶成为观察缺陷如何产生、移动及重组的理想且可控体系。研究人员通常运用朗道-德热纳理论来描述这些结构，该理论以数学方式阐释了分子有序性在缺陷核心区域如何瓦解——在这些区域，分子的取向已不再明确。

借助人工智能实现更快速的缺陷预测

由韩国忠南国立大学 Na Jun-Hee 教授领衔的研究团队，现已开发出一种利用深度学习预测稳定缺陷模式的更快方法。

据《小》（Small）期刊报道，他们所采用的方法取代了速度缓慢且计算量大的数值模拟。新方法无需数小时，仅需几毫秒便能得出结果。

Na教授表示：“我们的方法以快速可靠的预测来补充慢速模拟，从而推动了对富缺陷体系的系统性探索。”

深度学习框架内部探微

该模型基于3D U-Net架构构建，这是一种常用于科学和医学图像分析的卷积神经网络类型。此设计使系统能够同时捕捉大规模分子排列情况及局部缺陷结构的细微特征。该方法通过将指定的边界条件直接关联至最终平衡构型来实现功能。具体而言，网络接收边界数据输入，进而预测完整的分子排列场，包括缺陷出现的位置及其形态。

为训练该系统，研究人员采用了涵盖广泛对齐模式的常规模拟数据。训练完成后，该模型能够精准预测此前从未接触过的全新构型，其预测结果与传统模拟及实验观测结果高度吻合。

从数据中学习物理

该模型无需依赖显式方程，而是直接从数据中学习潜在的物理行为。这使得它能够应对尤为复杂的场景，包括高阶拓扑缺陷（在此类缺陷中，缺陷可合并、分裂或重新排列）。实验证实，该网络能够精准复现这些行为，表明其在多种不同条件下均能稳定运行。

先进材料新路径

该方法能让研究人员迅速探索庞大的设计空间，从而为设计具有精密可控缺陷结构的材料创造新契机。这些能力对于先进光学器件和超材料而言尤为重要。

那教授表示：“通过大幅缩短材料研发流程，人工智能驱动的设计能够加速智能材料的开发，这些材料的应用范围广泛，涵盖从全息显示、虚拟现实（VR）或增强现实（AR）显示，到自适应光学系统以及能够响应环境变化的智能窗户等领域。”

参考文献：基泰·金（Kitae Kim）与娜俊希（Jun-Hee Na）所著《深度学习预测各向异性凝聚态物质中的自发褶皱坍缩》，发表于2025年11月25日《Small》期刊。DOI编号：10.1002/smll.202510844