導(dǎo)語(yǔ)

上海科學(xué)智能研究院、集智科學(xué)研究中心和阿里云聯(lián)合發(fā)布了《AI × Science十大前沿觀察》，梳理出35個(gè)研究前沿，來(lái)推動(dòng)科學(xué)發(fā)展的黃金時(shí)代到來(lái)。本篇為前沿觀察6，掃描下方二維碼，可獲得完整版下載地址、快速鏈接論文原文。

掃描二維碼 下載完整報(bào)告

AI 仿真與系統(tǒng)模擬

背景介紹

在復(fù)雜系統(tǒng)研究中，從微觀的量子粒子，如可控核聚變中的等離子體演化，中觀的物理流體動(dòng)力學(xué)、生物智能運(yùn)動(dòng)，到大尺度的全球氣候變化等宏觀現(xiàn)象，都需要通過(guò)科學(xué)仿真工具來(lái)預(yù)測(cè)系統(tǒng)的行為和演化。

從歷史發(fā)展來(lái)看，科學(xué)仿真經(jīng)歷了三個(gè)重要階段：最初基于第一性原理的解析求解，然后主要發(fā)展的數(shù)值模擬方法。然而由于這些真實(shí)系統(tǒng)往往表現(xiàn)出多尺度、多物理場(chǎng)耦合的特征，其復(fù)雜性對(duì)傳統(tǒng)解析和數(shù)值計(jì)算方法提出了巨大挑戰(zhàn)，一方面不能保證足夠的精度，一方面又很難從數(shù)據(jù)中發(fā)掘系統(tǒng)的內(nèi)在機(jī)制和因果關(guān)系[2]。

所幸的是，在融合物理約束與數(shù)據(jù)驅(qū)動(dòng)的基礎(chǔ)上，基于AI驅(qū)動(dòng)的新一代科學(xué)仿真技術(shù)應(yīng)運(yùn)而生。AI仿真器和數(shù)字孿生[3]通過(guò)深度學(xué)習(xí)和AI for PDE科學(xué)模擬方法，或引入因果推理框架[4]，結(jié)合物理先驗(yàn)知識(shí)構(gòu)建新一代仿真系統(tǒng)，為系統(tǒng)行為理解和預(yù)測(cè)開(kāi)辟了新途徑。在生物系統(tǒng)方面，以秀麗線蟲(chóng)為代表的模型生物為研究復(fù)雜生命系統(tǒng)提供了理想平臺(tái)，而基于AI驅(qū)動(dòng)的數(shù)字生命體 (AIDO)，則構(gòu)建了一個(gè)多尺度系統(tǒng)的基礎(chǔ)模型，實(shí)現(xiàn)了從分子到整體生命的全方位預(yù)測(cè)與模擬。

2024年12月發(fā)布的Genesis項(xiàng)目更是將物理仿真推向了新高度。這個(gè)面向機(jī)器人和人工智能的生成式物理引擎，不僅能高效模擬從剛體到軟體的各類(lèi)物理交互，還首次實(shí)現(xiàn)了通過(guò)自然語(yǔ)言控制的場(chǎng)景生成，為研究具身智能提供了強(qiáng)大工具。

這些進(jìn)展標(biāo)志著科學(xué)仿真正在進(jìn)入一個(gè)新時(shí)代：從單一物理場(chǎng)景擴(kuò)展到多尺度、多學(xué)科交叉，從被動(dòng)觀察轉(zhuǎn)向主動(dòng)探索，從現(xiàn)象預(yù)測(cè)邁向機(jī)理理解。下面我們將詳細(xì)介紹幾項(xiàng)代表性工作。

研究進(jìn)展

進(jìn)展目錄 AI for PDE（人工智能求解偏微分方程） 因果數(shù)字孿生 AI驅(qū)動(dòng)的多尺度數(shù)字有機(jī)體建模 生物-環(huán)境閉環(huán)智能仿真系統(tǒng) 具身生成式物理模擬引擎

推薦理由:偏微分方程（PDEs）是現(xiàn)代科學(xué)和工程中不可或缺的數(shù)學(xué)工具，用于精確描述從流體力學(xué)到量子力學(xué)等各種物理現(xiàn)象。但傳統(tǒng)的有限元（FEM）和有限差分方法（FDM）等數(shù)值方法，面臨著計(jì)算成本高昂、難以擴(kuò)展到復(fù)雜幾何形狀和高維問(wèn)題以及處理大規(guī)模數(shù)據(jù)集的局限。由此，結(jié)合人工智能算法的AI for PDE科學(xué)模擬方法應(yīng)運(yùn)而生，通過(guò)將數(shù)據(jù)與PDE信息相結(jié)合，能夠?yàn)樘囟▎?wèn)題提供近似解，并顯著加速傳統(tǒng)的數(shù)值求解算法。

AI for PDE領(lǐng)域涌現(xiàn)出多種創(chuàng)新方法，這些方法利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)來(lái)求解、分析和發(fā)現(xiàn)偏微分方程。以下是對(duì)幾種主要的AI驅(qū)動(dòng)的PDE求解方法的簡(jiǎn)單介紹。

物理信息神經(jīng)網(wǎng)絡(luò)（PINNs）[5]是一種通過(guò)將PDE的控制方程融入神經(jīng)網(wǎng)絡(luò)的損失函數(shù)中，來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)求解PDE的強(qiáng)大框架 。PINNs的核心思想是利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的函數(shù)逼近能力來(lái)表示PDE的解，并通過(guò)最小化一個(gè)包含PDE殘差項(xiàng)和邊界/初始條件項(xiàng)的損失函數(shù)來(lái)優(yōu)化網(wǎng)絡(luò)參數(shù)。近年來(lái)，研究人員不斷探索改進(jìn)PINNs在網(wǎng)絡(luò)架構(gòu)（如KAN）、優(yōu)化技術(shù)以及處理復(fù)雜問(wèn)題方面的能力，以解決其在處理高頻和多尺度問(wèn)題時(shí)面臨的挑戰(zhàn) 。Pinn-jax等開(kāi)源庫(kù)的出現(xiàn)進(jìn)一步簡(jiǎn)化了PINNs的開(kāi)發(fā)和訓(xùn)練過(guò)程 。值得一提的是，PINNs不僅可以用于求解已知PDE的正問(wèn)題，還可以應(yīng)用于根據(jù)觀測(cè)數(shù)據(jù)反演PDE參數(shù)或發(fā)現(xiàn)未知物理規(guī)律的反問(wèn)題。

深度能量方法（DEM）[6]是另一種基于物理原理的AI驅(qū)動(dòng)的PDE求解方法，它利用最小勢(shì)能原理來(lái)預(yù)測(cè)靜態(tài)載荷條件下的變形，可以看作是有限元分析的一種替代方案 。與傳統(tǒng)的基于配點(diǎn)的PINNs不同，DEM主要依賴(lài)于一階微分和精確的數(shù)值積分來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。為了彌補(bǔ)傳統(tǒng)DEM缺乏最小余能形式的不足，研究人員提出了深度互補(bǔ)能量方法（DCEM） 。DCEM以應(yīng)力函數(shù)作為輸出，能夠天然地滿足平衡方程。此外，為了提高DEM的精度，研究人員還引入了隨機(jī)傅里葉特征映射等技術(shù)，并提出了用于超參數(shù)優(yōu)化的雙循環(huán)架構(gòu) 。DEM的一個(gè)顯著優(yōu)點(diǎn)是其網(wǎng)格無(wú)關(guān)性，這使得它在處理復(fù)雜材料（如超彈性材料和粘彈性材料）的變形問(wèn)題時(shí)，無(wú)需生成大量的訓(xùn)練數(shù)據(jù)。

算子學(xué)習(xí)則旨在訓(xùn)練神經(jīng)網(wǎng)絡(luò)直接學(xué)習(xí)PDE解算子，即從輸入函數(shù)空間（如初始條件或邊界條件）到輸出函數(shù)空間（PDE的解）的映射 。DeepONet是一種典型的算子學(xué)習(xí)方法，它基于算子的泛逼近定理，通過(guò)學(xué)習(xí)分支網(wǎng)絡(luò)和干網(wǎng)絡(luò)來(lái)逼近非線性算子。傅里葉神經(jīng)算子（FNOs）則利用傅里葉變換在頻域進(jìn)行卷積操作，能夠高效地學(xué)習(xí)PDE的解算子，并且具有分辨率無(wú)關(guān)性 。物理信息神經(jīng)算子（PINOs）是一種混合方法，它結(jié)合了算子學(xué)習(xí)和物理信息優(yōu)化框架，旨在提高收斂速度和精度 。最近的研究還對(duì)DeepONet[7]進(jìn)行了改進(jìn)，允許其Trunk-branch結(jié)構(gòu)中的Branch網(wǎng)對(duì)Trunk網(wǎng)非線性干擾，提出了一種物理信息增強(qiáng)的擴(kuò)展版本，特別適用于解決復(fù)雜的非線性偏微分方程（PDEs），顯著降低了物理?yè)p失。

微分同胚映射算子學(xué)習(xí)（DIMON）[8]是一種新興的AI框架，它能夠比超級(jí)計(jì)算機(jī)更快地在普通個(gè)人電腦上求解復(fù)雜的PDE 。DIMON的關(guān)鍵能力在于，它能夠從單個(gè)已求解的形狀中學(xué)習(xí)模式，并將該解映射到多個(gè)新的形狀上，從而避免了為每個(gè)新形狀重復(fù)進(jìn)行網(wǎng)格劃分和計(jì)算 。這種方法在需要對(duì)多個(gè)復(fù)雜幾何形狀求解PDE的科學(xué)和工程領(lǐng)域具有廣泛的應(yīng)用潛力，包括醫(yī)療保健（如心律失常預(yù)測(cè)）、航空航天和材料科學(xué) 。目前DIMON的代碼庫(kù)也已公開(kāi)。

因果數(shù)字孿生

推薦理由:因果數(shù)字孿生 (Causal Digital Twin) [4]將因果推理引入仿真系統(tǒng)，不僅能模擬系統(tǒng)行為，還能揭示系統(tǒng)內(nèi)在的因果機(jī)制，為智能決策和干預(yù)提供理論基礎(chǔ)。

傳統(tǒng)的數(shù)字孿生技術(shù)主要關(guān)注系統(tǒng)行為的模擬與預(yù)測(cè)，而因果數(shù)字孿生則通過(guò)引入因果推理框架，通過(guò)概率編程與因果推理的深度融合，賦予了系統(tǒng)理解“為什么”的能力。

CausalCity 仿真環(huán)境 | 來(lái)源：McDuff， Daniel， et al. "CausalCity: Complex Simulations with Agency for Causal Discovery and Reasoning." Proceedings of the First Conference on Causal Learning and Reasoning， PMLR 177， 2022， pp. 559-575.

CausalCity[3]就是應(yīng)用果數(shù)字孿生技術(shù)的典型案例，它提供了一個(gè)高保真的仿真環(huán)境，使其能突破簡(jiǎn)單的“模式識(shí)別”，理解因果關(guān)系，這對(duì)自動(dòng)駕駛等復(fù)雜系統(tǒng)非常重要。其核心創(chuàng)新在于引入了“主體性” (Agency) 的概念——環(huán)境中的每個(gè)實(shí)體（如車(chē)輛）都具有基本的智能性，能夠自主決策低層級(jí)行為。這使得研究者可以用簡(jiǎn)單的高層級(jí)配置來(lái)定義復(fù)雜場(chǎng)景，而不需要指定每個(gè)具體的低層級(jí)動(dòng)作。

CausalCity與三個(gè)主流的推理模型進(jìn)行了對(duì)比實(shí)驗(yàn)，包括：NRI，使用變分自編碼器框架，通過(guò)節(jié)點(diǎn)間的消息傳遞機(jī)制來(lái)發(fā)現(xiàn)系統(tǒng)中的關(guān)系結(jié)構(gòu)并重建軌跡；NS-DR，基于傳播網(wǎng)絡(luò)，將場(chǎng)景中的車(chē)輛建模為圖中的節(jié)點(diǎn)，通過(guò)分析節(jié)點(diǎn)間的狀態(tài)傳播來(lái)預(yù)測(cè)車(chē)輛運(yùn)動(dòng)；V-CDN，采用一個(gè)三階段架構(gòu)，包含感知模塊（提取視覺(jué)特征）、推理模塊（構(gòu)建因果圖譜）及動(dòng)態(tài)模塊（預(yù)測(cè)未來(lái)狀態(tài)）。這些方法在簡(jiǎn)單場(chǎng)景下表現(xiàn)良好，但在引入混雜因素（如交通信號(hào)燈）的復(fù)雜場(chǎng)景中性能會(huì)顯著下降，而CausalCity則能表現(xiàn)良好。這揭示了傳統(tǒng)推理方法在處理真實(shí)世界復(fù)雜性時(shí)的局限，以及引入因果推理的重要性。

AI驅(qū)動(dòng)的多尺度數(shù)字有機(jī)體建模

推薦理由： GenBio AI 提出的AI驅(qū)動(dòng)數(shù)字有機(jī)體（AIDO）框架[9]，代表了生物計(jì)算仿真領(lǐng)域的一項(xiàng)里程碑式進(jìn)展。該研究首次構(gòu)建了一個(gè)整合分子、細(xì)胞、組織到個(gè)體水平的多尺度基礎(chǔ)模型系統(tǒng)，通過(guò)模塊化設(shè)計(jì)和分層整合，實(shí)現(xiàn)了生物學(xué)現(xiàn)象的預(yù)測(cè)、模擬與編程。相較于傳統(tǒng)單任務(wù)模型（如AlphaFold、ESMFold），AIDO在多個(gè)維度實(shí)現(xiàn)了范式突破。

研究團(tuán)隊(duì)開(kāi)發(fā)了覆蓋全生物尺度的基礎(chǔ)模型組件。針對(duì)分子層級(jí)，提出了混合分詞器（Hybrid Tokenizer）架構(gòu)，通過(guò)幾何深度學(xué)習(xí)編碼蛋白質(zhì)三維結(jié)構(gòu)[10]，并結(jié)合序列模型實(shí)現(xiàn)DNA-RNA-蛋白質(zhì)的中央法則統(tǒng)一建模[11]；在細(xì)胞層級(jí)，設(shè)計(jì)了非對(duì)稱(chēng)編碼器-解碼器框架，有效處理單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)的高維稀疏特；在表型層級(jí)，則利用自監(jiān)督對(duì)比學(xué)習(xí)構(gòu)建了連續(xù)生理信號(hào)（如血糖、心電圖）的生成式模型[12]。

AIDO 的多層級(jí)架構(gòu)：數(shù)據(jù)層、基礎(chǔ)模型系統(tǒng)層、下游實(shí)用層、生物工程應(yīng)用層 | 來(lái)源："Toward AI-Driven Digital Organism: A System of Multiscale Foundation Models for Predicting, Simulating and Programming Biology at All Levels."

AIDO的創(chuàng)新性體現(xiàn)在其系統(tǒng)性整合能力。通過(guò)可微分計(jì)算圖（DCG）技術(shù)，將分子交互網(wǎng)絡(luò)、基因調(diào)控網(wǎng)絡(luò)與細(xì)胞狀態(tài)模型動(dòng)態(tài)連接，形成閉環(huán)反饋機(jī)制。例如，在藥物設(shè)計(jì)場(chǎng)景中，蛋白質(zhì)生成模型可基于結(jié)構(gòu)解碼器生成候選序列，再通過(guò)分子動(dòng)力學(xué)評(píng)分模型反向優(yōu)化生成策略，最終通過(guò)濕實(shí)驗(yàn)驗(yàn)證形成迭代優(yōu)化循環(huán)。

該框架的計(jì)算效率同樣突出。通過(guò)混合架構(gòu)（如CNN-Transformer融合模型）和高效并行化策略，實(shí)現(xiàn)了從基因序列（長(zhǎng)達(dá)百萬(wàn)堿基）到器官級(jí)表型（如UK Biobank隊(duì)列數(shù)據(jù)）的多尺度建模。系統(tǒng)支持30+種生物數(shù)據(jù)模態(tài)，涵蓋NCBI基因組庫(kù)、PDB結(jié)構(gòu)數(shù)據(jù)庫(kù)等超10億級(jí)數(shù)據(jù)點(diǎn)，模型參數(shù)量突破千億級(jí)別。

AIDO的開(kāi)源生態(tài)體系（GitHub: genbio-ai/AIDO）為社區(qū)提供了模塊化擴(kuò)展能力。研究人員可獨(dú)立調(diào)整DNA序列模型（AIDO.DNA[9]）、蛋白質(zhì)逆折疊模型（AIDO.ProteinIF[11]）等組件，或通過(guò)跨尺度對(duì)齊優(yōu)化實(shí)現(xiàn)全系統(tǒng)升級(jí)。目前，該系統(tǒng)已在300+生物任務(wù)中達(dá)到SOTA性能[11][13]。

隨著生物數(shù)據(jù)量的指數(shù)增長(zhǎng)和計(jì)算架構(gòu)的持續(xù)優(yōu)化，AIDO有望推動(dòng)藥物研發(fā)、合成生物學(xué)、精準(zhǔn)醫(yī)學(xué)等領(lǐng)域的范式變革。未來(lái)，通過(guò)整合更多實(shí)驗(yàn)?zāi)B(tài)（如空間轉(zhuǎn)錄組、代謝組）和因果推理機(jī)制[14]，該系統(tǒng)或?qū)⒊蔀榻獯a生命復(fù)雜性的核心計(jì)算平臺(tái)。

生物-環(huán)境閉環(huán)智能仿真系統(tǒng)

推薦理由:BAAIWorm天寶項(xiàng)目代表了生物智能仿真研究領(lǐng)域的一項(xiàng)重要進(jìn)展。這項(xiàng)發(fā)表在Nature Computational Science并登上封面的研究[15]，首次實(shí)現(xiàn)了將秀麗線蟲(chóng)的神經(jīng)系統(tǒng)、身體和環(huán)境整合到一個(gè)完整的閉環(huán)仿真系統(tǒng)中，為探索“大腦-身體-環(huán)境”交互機(jī)制提供了全新的研究平臺(tái)。

相比于原有的仿真系統(tǒng)（如OpenWorm[16]），BAAIWorm天寶在多個(gè)方面實(shí)現(xiàn)了顯著突破。

研究團(tuán)隊(duì)構(gòu)建了迄今為止最精確的線蟲(chóng)神經(jīng)網(wǎng)絡(luò)模型。該模型包含136個(gè)參與感知和運(yùn)動(dòng)功能的神經(jīng)元[17]，每個(gè)神經(jīng)元都采用多艙室模型進(jìn)行建模，精確還原了真實(shí)神經(jīng)元的電生理特性。模型不僅在神經(jīng)元層面實(shí)現(xiàn)了高度仿真，還通過(guò)創(chuàng)新的優(yōu)化算法，使神經(jīng)網(wǎng)絡(luò)整體呈現(xiàn)出與真實(shí)線蟲(chóng)神經(jīng)系統(tǒng)相似的動(dòng)態(tài)特性。

此外，BAAIWorm還是一個(gè)高性能的“身體-環(huán)境”模型，創(chuàng)新性地采用投影動(dòng)力學(xué)作為形變求解器[18]，實(shí)現(xiàn)了30幀/秒的實(shí)時(shí)仿真，使環(huán)境尺度提升了兩個(gè)數(shù)量級(jí)，既大大提升了計(jì)算效率，又保持了生物力學(xué)特性的準(zhǔn)確性。

更重要的是，研究首次實(shí)現(xiàn)了線蟲(chóng)神經(jīng)網(wǎng)絡(luò)與身體環(huán)境系統(tǒng)的持續(xù)閉環(huán)交互。例如在完整的系統(tǒng)仿真中，環(huán)境中的食物濃度等刺激會(huì)影響線蟲(chóng)感覺(jué)神經(jīng)元，進(jìn)而通過(guò)神經(jīng)網(wǎng)絡(luò)驅(qū)動(dòng)運(yùn)動(dòng)神經(jīng)元產(chǎn)生協(xié)調(diào)的行為輸出[19]，并改變環(huán)境的局部的流體動(dòng)力學(xué)特性反過(guò)來(lái)再影響線蟲(chóng)。這種閉環(huán)設(shè)計(jì)使得系統(tǒng)能夠模擬真實(shí)線蟲(chóng)的行為，如趨化性運(yùn)動(dòng)等復(fù)雜行為模式。系統(tǒng)還開(kāi)發(fā)了創(chuàng)新的行為分析方法，可以穩(wěn)定地量化線蟲(chóng)在三維空間中的運(yùn)動(dòng)軌跡。

線蟲(chóng)天寶概覽 | 來(lái)源：An integrative data-driven model simulating C. elegans brain, body and environment interactions

BAAIWorm天寶展示了如何通過(guò)數(shù)字化重建來(lái)研究復(fù)雜生命系統(tǒng)，為理解生物智能本質(zhì)提供了重要指引。目前該系統(tǒng)已開(kāi)源，研究人員可以根據(jù)需要獨(dú)立修改和擴(kuò)展各個(gè)模塊。未來(lái)，隨著實(shí)驗(yàn)數(shù)據(jù)的不斷積累和算法的進(jìn)一步優(yōu)化，BAAIWorm天寶有望模擬更多行為模式，涵蓋更多神經(jīng)元和環(huán)境因素，從而在生命科學(xué)和人工智能領(lǐng)域發(fā)揮更大的推動(dòng)作用。

具身生成式物理模擬引擎

推薦理由:Genesis項(xiàng)目[20]由于其高精準(zhǔn)的建模能力，開(kāi)創(chuàng)了一種面向機(jī)器人和人工智能研究的新范式。這個(gè)由卡內(nèi)基梅隆大學(xué)、清華等20多家頂尖機(jī)構(gòu)歷時(shí)24個(gè)月合作開(kāi)發(fā)的生成式物理引擎，不僅展示了AI在物理世界模擬上的突破性進(jìn)展，更為實(shí)現(xiàn)具身智能構(gòu)建了技術(shù)路徑。

Genesis的出現(xiàn)代表了模擬仿真平臺(tái)一個(gè)新的高度：不再局限于單一的物理模擬或機(jī)器人控制，而是構(gòu)建了一個(gè)統(tǒng)一的框架，能夠同時(shí)處理物理規(guī)律、機(jī)器人動(dòng)作、視覺(jué)渲染和人機(jī)交互等多個(gè)維度。這種整體性的方法使得它能夠更真實(shí)地模擬復(fù)雜的物理世界，為機(jī)器人研究、AI應(yīng)用和訓(xùn)練提供更可靠的仿真環(huán)境。

提示： A mobile franka arm heats the corn with the bowl and the microwave | 來(lái)源：Genesis: A Generative and Universal Physics Engine for Robotics and Beyond

Genesis的技術(shù)創(chuàng)新體現(xiàn)在多個(gè)方面。其具有超高效的物理模擬性能，模擬速度比現(xiàn)實(shí)世界快約43萬(wàn)倍，大幅領(lǐng)先現(xiàn)有解決方案；具備精確的物理模型，支持從剛體到軟體，從單一物體到復(fù)雜交互的全方位物理模擬；此外系統(tǒng)采用生成式架構(gòu)，通過(guò)自然語(yǔ)言描述就能生成復(fù)雜的物理場(chǎng)景和交互行為。

Genesis在機(jī)器人研究領(lǐng)域展現(xiàn)出獨(dú)特優(yōu)勢(shì)，不僅具備覆蓋從人形機(jī)器人到軟體機(jī)器人的全類(lèi)型模擬能力，更在單塊RTX4090顯卡上實(shí)現(xiàn)了26秒完成可遷移至真實(shí)世界的動(dòng)作策略訓(xùn)練，其效率突破將顯著加速機(jī)器人研發(fā)進(jìn)程。

隨著未來(lái)Genesis的開(kāi)源，可能會(huì)持續(xù)在多個(gè)領(lǐng)域引發(fā)連鎖反應(yīng)：為計(jì)算機(jī)圖形學(xué)提供更真實(shí)的物理模擬，在機(jī)器人研究中加速算法驗(yàn)證和策略?xún)?yōu)化，在人工智能研究中推進(jìn)具身智能的發(fā)展。Genesis不僅是一個(gè)技術(shù)工具，也代表了一種新的仿真研究范式，將為實(shí)現(xiàn)更智能、更自然的人工智能系統(tǒng)和探索世界的復(fù)雜系統(tǒng)規(guī)律持續(xù)貢獻(xiàn)力量。

挑戰(zhàn)與展望

盡管基于AI的科學(xué)仿真技術(shù)在近年來(lái)取得了顯著進(jìn)展，但仍面臨著一些重要挑戰(zhàn)。

多尺度與多物理場(chǎng)耦合的建模依然是難題。以核聚變等離子體為例，從粒子的量子效應(yīng)到宏觀的流體動(dòng)力學(xué)行為，跨越了數(shù)十個(gè)數(shù)量級(jí)的時(shí)空尺度。現(xiàn)有的仿真方法難以在保持計(jì)算效率的同時(shí)實(shí)現(xiàn)如此大跨度的精確描述。同樣，在全球天氣預(yù)報(bào)中，大氣、海洋、陸地等系統(tǒng)之間復(fù)雜的相互作用也給建模帶來(lái)了巨大挑戰(zhàn)。

仿真系統(tǒng)的可解釋性問(wèn)題依然需要探索。雖然基于深度學(xué)習(xí)的方法顯著提升了預(yù)測(cè)精度，但其內(nèi)部機(jī)制往往難以理解，這限制了科研人員對(duì)系統(tǒng)本質(zhì)規(guī)律的認(rèn)知。盡管有CausalCity等項(xiàng)目嘗試引入因果推理框架，但要在復(fù)雜系統(tǒng)中建立可靠的因果關(guān)系圖譜仍有很長(zhǎng)的路要走。如何在保持高精度預(yù)測(cè)的同時(shí)提升模型的可解釋性，成為了當(dāng)前研究的重要方向。

此外，仿真系統(tǒng)與真實(shí)世界的對(duì)齊同樣具有挑戰(zhàn)性。雖然BAAIWorm等項(xiàng)目展現(xiàn)了在特定領(lǐng)域?qū)崿F(xiàn)高保真仿真的可能，但要將這種成功推廣到更復(fù)雜的生命系統(tǒng)和工程應(yīng)用中仍面臨諸多困難。如何確保仿真結(jié)果能夠準(zhǔn)確反映現(xiàn)實(shí)世界的物理規(guī)律，并與實(shí)驗(yàn)數(shù)據(jù)保持一致，仍需要更深入的研究。

要解決以上問(wèn)題，除了提升計(jì)算能力和革新算法，還需要結(jié)合各種方法創(chuàng)造新的平臺(tái)設(shè)計(jì)方案。一個(gè)可能的發(fā)展方向是將物理規(guī)律、數(shù)據(jù)驅(qū)動(dòng)和因果推理等方法進(jìn)行有機(jī)結(jié)合，發(fā)展新一代混合建模方法。Genesis項(xiàng)目已經(jīng)展示了這種融合的潛力。同時(shí)，未來(lái)的仿真系統(tǒng)可能會(huì)更加智能和自主化，通過(guò)主動(dòng)學(xué)習(xí)和迭代優(yōu)化，系統(tǒng)能夠自主設(shè)計(jì)和執(zhí)行虛擬實(shí)驗(yàn)，提升模型精度和泛化能力，驗(yàn)證科學(xué)假設(shè)，甚至發(fā)現(xiàn)新的物理規(guī)律[19]。隨著這些技術(shù)的不斷成熟，我們有望看到支持多學(xué)科、多尺度的統(tǒng)一仿真框架逐步建立，這將為解決生命科學(xué)、能源、氣候等重大科學(xué)問(wèn)題，研究復(fù)雜系統(tǒng)本質(zhì)規(guī)律開(kāi)辟的新途徑和提供關(guān)鍵支撐。

參考文獻(xiàn)

[1] Cornelio， Cristina， et al. "Combining Data and Theory for Derivable Scientific Discovery with AI-Descartes." Nature Communications， vol. 14， no. 1， 2023， pp. 1777.

https://www.nature.com/articles/s41467-023-37543-4

推薦理由：該論文提出了一個(gè)將數(shù)據(jù)驅(qū)動(dòng)和理論驅(qū)動(dòng)相結(jié)合的科學(xué)發(fā)現(xiàn)框架。

[2] Sch?lkopf， Bernhard， et al. "Toward Causal Representation Learning." Proceedings of the IEEE， vol. 109， 2021， pp. 612-634.

https://ieeexplore.ieee.org/document/9363924

推薦理由：該論文系統(tǒng)性地探討了機(jī)器學(xué)習(xí)中的因果表示問(wèn)題，為因果推理與機(jī)器學(xué)習(xí)的結(jié)合提供了理論基礎(chǔ)。

[3]Lavin， Alexander， et al. "Simulation Intelligence: Towards a New Generation of Scientific Methods." arXiv preprint arXiv:2112.03235， 2021.

https://arxiv.org/abs/2112.03235

推薦理由：該論文提出了新一代科學(xué)仿真方法的愿景，系統(tǒng)性地總結(jié)了AI仿真器和數(shù)字孿生的關(guān)鍵技術(shù)。

[4] McDuff， Daniel， et al. "CausalCity: Complex Simulations with Agency for Causal Discovery and Reasoning." Proceedings of the First Conference on Causal Learning and Reasoning， PMLR 177， 2022， pp. 559-575.

https://proceedings.mlr.press/v177/mcduff22a.html

推薦理由：該工作提出了一個(gè)支持因果發(fā)現(xiàn)與推理的復(fù)雜仿真環(huán)境，為因果學(xué)習(xí)研究提供了重要平臺(tái)。

[5] Yuntian Chen et al. "From PINNs to PIKANs: Recent Advances in Physics-Informed Machine Learning." arXiv preprint, 2024.https://arxiv.org/abs/2410.13228

推薦理由：該論文全面回顧了物理信息神經(jīng)網(wǎng)絡(luò)(PINNs)的最新進(jìn)展，重點(diǎn)關(guān)注網(wǎng)絡(luò)設(shè)計(jì)和特征擴(kuò)展的改進(jìn)，展示了物理信息機(jī)器學(xué)習(xí)在科學(xué)計(jì)算中的發(fā)展趨勢(shì)和應(yīng)用價(jià)值。

[6] Sergii Mykhailovskyi, Dmytro Malynovskyi. "Model informed approach to estimate treatment effect in placebo-controlled clinical trials using an artificial intelligence based propensity weighting." Ukrainian Journal of Medicine, Biology and Sport, 2023.https://ouci.dntb.gov.ua/en/works/7qXkGYw9/

推薦理由：該研究提出了一種基于人工智能的傾向性加權(quán)方法來(lái)評(píng)估安慰劑對(duì)照臨床試驗(yàn)中的治療效果，為醫(yī)學(xué)臨床研究提供了更準(zhǔn)確的效果評(píng)估工具。

[7] Niyazi Sergin, Rui Duarte et al. "An architectural analysis of DeepOnet and a general framework." Neurocomputing, 2024.https://www.sciencedirect.com/science/article/pii/S0925231224014462

推薦理由：論文分析了DeepOnet模型的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)，特別探討了其主干-分支結(jié)構(gòu)在算子學(xué)習(xí)任務(wù)中的有效性，為深度算子網(wǎng)絡(luò)的設(shè)計(jì)提供了理論基礎(chǔ)和改進(jìn)方向。

[8] Qianxiao Li et al. "DIMON: Learning Solution Operators of Partial Differential Equations on a Diffeomorphic Family of Domains." arXiv preprint, 2024.https://arxiv.org/abs/2402.07250

推薦理由：該研究提出了一個(gè)稱(chēng)為DIMON的通用算子學(xué)習(xí)框架，用于在不同形態(tài)域上學(xué)習(xí)偏微分方程的近似解，為復(fù)雜幾何形狀上的PDE求解提供了創(chuàng)新方法。

[9] Le Song, Eran Segal, Eric Xing. "Toward AI-Driven Digital Organism: A System of Multiscale Foundation Models for Predicting, Simulating and Programming Biology at All Levels." arXiv preprint arXiv:2412.06993v1, 2024.

https://arxiv.org/abs/2412.06993

推薦理由：該論文提出了整合分子至個(gè)體水平的多尺度生物建模框架，通過(guò)模塊化基礎(chǔ)模型系統(tǒng)實(shí)現(xiàn)了跨層級(jí)生物現(xiàn)象的預(yù)測(cè)與編程，為合成生物學(xué)和精準(zhǔn)醫(yī)學(xué)提供了通用計(jì)算范式。

[10] Jiayou Zhang et al. "Balancing locality and reconstruction in protein structure tokenizer." NeurIPS Workshop, 2024.

https://www.biorxiv.org/content/10.1101/2024.12.02.626366v2.abstract

推薦理由：該研究開(kāi)發(fā)了一種基于幾何深度學(xué)習(xí)的蛋白質(zhì)結(jié)構(gòu)分詞器，通過(guò)平衡局部特征保留與全局結(jié)構(gòu)重建，顯著提升了三維分子表征在逆折疊和功能預(yù)測(cè)任務(wù)中的性能。

[11] Ning Sun et al. "Mixture of experts enable efficient protein understanding and design." NeurIPS Workshop, 2024.

https://www.biorxiv.org/content/10.1101/2024.11.29.625425v1.abstract

推薦理由：該論文提出專(zhuān)家混合架構(gòu)的蛋白質(zhì)語(yǔ)言模型，通過(guò)動(dòng)態(tài)路由機(jī)制實(shí)現(xiàn)序列-結(jié)構(gòu)聯(lián)合建模，在保證計(jì)算效率的同時(shí)將蛋白質(zhì)生成多樣性提升2.7倍。

[12] Levine, Zachary, et al. "Genetic underpinnings of predicted changes in cardiovascular function using self supervised learning." bioRxiv (2024): 2024-08.

https://www.biorxiv.org/content/10.1101/2024.08.15.608061.abstract

推薦理由：該工作利用自監(jiān)督對(duì)比學(xué)習(xí)解析連續(xù)生理信號(hào)（如心電圖）的動(dòng)態(tài)特征，首次建立了心血管表型與PBMC轉(zhuǎn)錄組數(shù)據(jù)的跨尺度關(guān)聯(lián)網(wǎng)絡(luò)。

[13] Caleb N. Ellington et al. "Accurate DNA representations emerge from genome foundation models." NeurIPS Workshop, 2024.

https://www.biorxiv.org/content/10.1101/2024.12.01.625444.abstract

推薦理由：該研究構(gòu)建了千億參數(shù)規(guī)模的基因組基礎(chǔ)模型，通過(guò)混合注意力機(jī)制有效捕捉長(zhǎng)程序列依賴(lài)，在調(diào)控元件預(yù)測(cè)任務(wù)中達(dá)到98.3%的準(zhǔn)確率。

[14] Benjamin Lengerich et al. "Contextualized Machine Learning." arXiv:2310.11340, 2023.

https://arxiv.org/abs/2310.11340

推薦理由：該理論框架系統(tǒng)闡述了上下文感知的機(jī)器學(xué)習(xí)方法，為多模態(tài)生物數(shù)據(jù)建模提供了可解釋的因果推理機(jī)制，顯著提升了模型在復(fù)雜生物系統(tǒng)中的應(yīng)用可靠性。

[15] Zhao, Mengdi, et al. "An integrative data-driven model simulating C. elegans brain, body and environment interactions." Nature Computational Science 4.12 (2024): 978-990.

https://www.nature.com/articles/s43588-024-00738-w

推薦理由：首次構(gòu)建了線蟲(chóng)完整的腦-身體-環(huán)境交互模擬系統(tǒng)。通過(guò)整合神經(jīng)、肌肉和物理數(shù)據(jù)，實(shí)現(xiàn)了精確的行為預(yù)測(cè)。為理解生物神經(jīng)系統(tǒng)控制行為提供了新方法。

[16] Sarma, Gopal P., et al. "OpenWorm: overview and recent advances in integrative biological simulation of Caenorhabditis elegans." Philosophical Transactions of the Royal Society B 373.1758 (2018): 20170382.

https://royalsocietypublishing.org/doi/full/10.1098/rstb.2017.0382

推薦理由：介紹了OpenWorm項(xiàng)目的進(jìn)展，這是一個(gè)開(kāi)源的線蟲(chóng)整體仿真平臺(tái)。整合了多層次的生物學(xué)數(shù)據(jù)。為系統(tǒng)生物學(xué)研究提供了重要工具。

[17] Cook, Steven J., et al. "Whole-animal connectomes of both Caenorhabditis elegans sexes." Nature 571.7763 (2019): 63-71.

https://www.nature.com/articles/s41586-019-1352-7

推薦理由：首次完整繪制了雌雄兩種線蟲(chóng)的全身神經(jīng)連接組。揭示了性別特異性的神經(jīng)環(huán)路差異。為理解神經(jīng)系統(tǒng)的性別差異提供了重要參考。

[18] Bouaziz, Sofien, et al. "Projective dynamics: Fusing constraint projections for fast simulation." Seminal Graphics Papers: Pushing the Boundaries, Volume 2. 2023. 787-797.

https://dl.acm.org/doi/abs/10.1145/3596711.3596794

推薦理由：提出了一種新的物理模擬算法投影動(dòng)力學(xué)。通過(guò)融合約束投影實(shí)現(xiàn)快速仿真。在計(jì)算效率和穩(wěn)定性方面取得重要突破。

[19] Wen, Quan, et al. "Proprioceptive coupling within motor neurons drives C. elegans forward locomotion." neuron 76.4 (2012): 750-761.

https://www.cell.com/neuron/fulltext/S0896-6273(12)00805-7

推薦理由：發(fā)現(xiàn)了線蟲(chóng)運(yùn)動(dòng)神經(jīng)元內(nèi)的本體感受耦合機(jī)制。闡明了前向運(yùn)動(dòng)的神經(jīng)控制原理。為理解動(dòng)物運(yùn)動(dòng)控制提供了新見(jiàn)解。

[20] Xian Z， Qiao Y， Xu Z， Wang TH， Chen Z， Zheng J， Xiong Z， Wang Y， Zhang M， Ma P， Wang Y， Dou Z， et al. Genesis: A Generative and Universal Physics Engine for Robotics and Beyond. arXiv preprint. 2024.

https://genesis-embodied-ai.github.io/

推薦理由：Genesis是一個(gè)突破性的生成式物理引擎，由CMU、清華等20多家機(jī)構(gòu)聯(lián)合開(kāi)發(fā)。它實(shí)現(xiàn)了超高效的物理模擬、精確的物理建模和生成式架構(gòu)，為機(jī)器人研究和具身智能發(fā)展開(kāi)創(chuàng)新范式。

出品：漆遠(yuǎn)、吳力波、張江 運(yùn)營(yíng)：孟晉宇、王婷 撰稿：張江、楊燕青、王婷、王朝會(huì)、十三維、周莉、梁金、袁冰、江千月、劉志毅 鳴謝（按姓氏拼音順序，排名不分先后）： 曹風(fēng)雷 、陳小楊 、程遠(yuǎn)、杜沅豈 、段郁、方榯楷 、付彥偉、 高悅、黃柯鑫、李昊、劉圣超、譚偉敏、吳泰霖、吳艷玲、向紅軍、張?bào)K、張艷、朱思語(yǔ)

AI+Science 讀書(shū)會(huì)

詳情請(qǐng)見(jiàn)：

1.

2.

3.

4.

5.

6.

7.

8.