第二届AI物理研讨会【复旦大学】报告内容整理笔记

2026.5.10

会议主题

人工智能赋能物理学

将AI技术深度融入物理学各分支领域，利用深度学习等方法加速物理问题的建模、模拟与求解，提升实验设计的智能化水平与数据分析效率，拓展物理规律发现的新路径，驱动物理研究向"数智范式"转型。

物理学反哺人工智能

以物理学原理与方法为支撑，构建与优化AI系统，涵盖物理启发的算法设计与优化、AI硬件架构、类脑计算、存算一体等新型计算范式的物理设计与器件实现，为AI发展提供底层物理基座。

人工智能的物理本质

以物理学视角揭示AI系统的内在规律，涵盖神经网络中的相变与临界现象、学习过程的统计力学描述、计算的热力学代价与物理极限、智能涌现的物理机制等，构建AI的物理学理论框架。

内容

一、沈健老师：基于物理演化过程的智能计算

研究背景与现有 AI 核心痛点

当前人工智能虽发展迅速，但存在两大关键瓶颈：一是能耗过高，成为制约 AI 长远发展的重要因素；二是大模型训练依赖海量标注数据，小样本场景下难以有效落地应用。

传统深度学习依托反向传播机制训练，通过构建输入层、隐藏层、输出层神经元结构，以损失函数 / 能量函数最小化为目标，迭代优化神经元连接权重；当模型参数量达到百亿、千亿级别时，对算力和能耗的需求呈指数级增长。

核心学术思想

任意物理体系受外界刺激时，会遵循自然演化趋势自发趋向体系能量最小值，无需人为算法与软件调控。基于该物理原理，可直接利用物理体系自身演化过程实现智能计算，将物理体系作为天然的智能计算载体，无需搭建传统人工神经网络架构。

理论溯源

1982 年 Hopfield 提出 Hopfield 神经网络，核心思想依托物理体系能量最小化原理；后续 Hinton 在此基础上发展出玻尔兹曼机，成为现代深度神经网络的重要理论基础，二人也因相关贡献获得诺贝尔物理学奖。

三大研究核心方向

实现无反向传播的模型训练：物理体系接收输入刺激后，可自发迭代寻优，直接确定最优神经元权重，省去传统算法反向传播迭代流程，从底层降低算力与能耗消耗。

适配小样本数据训练：依托物理演化的天然拟合能力，摆脱对海量训练数据的依赖，解决小样本场景应用难题。

复杂组合优化问题的演化推理：利用物理体系演化特性，天然求解实际场景中的复杂组合优化任务。

实验体系与原理验证

构建三层薄膜物理实验结构：底层为软磁材料，中间为氧化铝绝缘层，上层为金电极层；通过调控电极极化方向形成不同组合，在金层产生特定电流分布，进而形成奥斯特磁场作用于底层软磁材料。

软磁材料自旋结构随磁场演化，基于各向异性磁阻（AMR）效应引发电导值变化，通过检测多位置电导值可形成电导矩阵；该矩阵可实现信息存储、联想记忆与分类任务，体系无需外部算法干预即可自主完成学习与记忆。

核心特性

具备类人脑联想记忆能力，可通过部分特征补全完整信息；无需计算机算法、软件介入，物理体系自演化即可完成智能分类、记忆等任务。

二、段成刚老师：AI 与极化三部曲

（一）核心立论

宇宙与生命遵循从简单到复杂、涌现演化的物理规律，AI 发展同样具备涌现特征；传统数字 AI 依赖巨大能源消耗，基于物理极化材料构建硬件智能，是替代传统半导体、降低能耗的重要路径。

人类计算工具发展史始终依托物质物理运动：从机械运动、电子运动，未来将迈向光子运动，计算本质依赖媒介固有物理特性。

知识的本质是事物间的关联，深度学习核心逻辑是将低维空间难解问题映射至高维空间，通过升维挖掘数据内在关联。

（二）极化与凝聚态物理基础

凝聚态物理中自发极化源于对称性破缺，衍生出铁磁性、铁电性、铁谷性等铁性特征；极化材料具备非易失、高速、多功能、可外场调控的特性，是智能时代的核心特征材料。

电极化的精准描述依赖量子力学，大原子体系的极化理论计算远超传统算力极限；第一性原理精度高，但难以模拟长周期、长时间体系演化；分子动力学依赖经验势，精度不足。

（三）三部曲研究内容

第一部：AI 赋能极化物理研究

借鉴 DeepMD「分而治之」思想，以小体系模拟标定局域结构，推演大体系宏观行为，体现「多则益异」的涌现规律。

构建基于瓦尼尔中心的机器学习方法，应用于摩尔二维体系（转角石墨烯、氮化硼）：精准模拟超大元胞体系的极化分布，观测到极化涡旋、半子 / 反半子拓扑结构，可定量计算拓扑缠绕数。

实现外场（电场、应力）对极化拓扑结构的动态调控，预测铁电极化翻转机制；理论模拟结果与原子力显微镜、电镜实验观测高度吻合。

在铝钪氮体系中，通过机器学习发现全新极化翻转机制，解释掺杂体系极化翻转电场大幅降低的物理机理。

第二部：极化材料服务 AI 计算

依托铁电忆阻器模拟人脑突触工作机制，通过极化实现权重调控，可实现 0 和 1 之间准连续的权重表达，适配神经网络突触模拟。

铁电材料具备存储、能量转换一体化特性，契合存算一体架构；基于欧姆定律、基尔霍夫定律，可通过物理阵列自发完成矩阵乘加运算，并行度高、不受矩阵规模限制。

利用铁电极化反转电流实现差分 / 微分运算：可瞬时识别图像差异、捕捉运动物体速度与轨迹，适用于低功耗、高实时性的边缘智能场景，无需依赖云端服务器。

第三部：AI 未来发展与学科融合

摒弃大规模「超脑」硬件研发思路，转向大模型与物理硬件、小场景具身智能融合；通过模型蒸馏轻量化大模型，落地泛化智能应用。

开发材料计算专业软件工具链，依托 AI 大模型完成软件封装、功能迭代与科研辅助，AI 可作为科研灵感伙伴，弥补知识短板。

学科本质是知识颗粒的打包方式，人类认知真理的底层逻辑，源于人脑结构与客观物理规律的天然适配。

三、宋海光老师：AI + 材料多尺度集成计算

（一）研究背景与应用场景

面向地球物理、高压物理、冲击爆炸等极端条件（高温、高压、强腐蚀）材料研究，核心解决两大问题：已知组分结构预测物性、已知性能需求反向设计材料成分。

极端条件下实验周期长、难度大，实验数据与模拟数据双重匮乏；多尺度集成计算以工程应用为牵引，屏蔽中间复杂计算过程，实现输入组分直接输出物性结果。

依托多单位联合搭建材料集成计算平台，自主研发物理模型、算法与仿真软件，覆盖原子结构、电子结构、热力学物性、相图、宏观性能全链条计算。

（二）核心研究工作

化学无序体系原子构型建模

提出相似原子环境模型与广义相似度函数，统一刻画长程无序、短程有序的合金体系；将物理建模转化为高维空间优化问题，采用蒙特卡洛方法加速收敛。

建模效率优于传统 SQs 方法，复杂度由n^2降至n logn；可精准复现实验稳定晶体结构，被业内认定为无序结构建模的主流有效方法。

电子关联强度双频率节点模型

传统 DFT 理论仅适用于弱关联电子体系，无法描述 3d/4f/5f 强关联材料的电子相互作用；引入托马斯 - 费米屏蔽参数，同时刻画电子局域屏蔽与全局互斥激发效应。

构建局域轨道缩减计算量，轨道数量仅为传统方法 40%；无需依赖实验调参，可自洽计算 U（库伦排斥）、J（交换作用）参数；计算精度媲美高精度杂化泛函，效率提升两个量级。

机器学习原子势场建模

按物理特征以角动量分量展开能量与力的描述，同步提升计算精度与效率；可支撑高温、高压、应变率下金属合金的热力学、动力学行为模拟，支持大原子体系百亿级原子仿真。

（三）工程应用案例

高温四元合金设计

面向航天发动机 1300℃高温氧化工况，低成本元素掺杂替代高价合金；通过理论计算筛选铝、铬为稳定掺杂元素，确定最优成分比例。

设计后材料相分解温度达 1900K，满足高温工况，材料成本降低 40%；仅两个月完成合金设计与实验验证，研发效率大幅提升。

稀土热障涂层智能筛选

结合物理晶格振动模型与迁移学习，以高精度计算获取稀土材料弹性参数，补齐小样本数据短板；大幅提升 AI 热导率预测精度。

完成 3000 余种稀土材料高通量筛选，筛选出多种性能最优的氮化物、氧化物热障涂层材料，与实验结论高度匹配。

（四）总结与展望

现有平台已具备材料多尺度自主计算与正向预测、逆向设计能力；后续将深度融合 AI 算法，嵌入有限元、分子动力学等模块，依托专项攻关进一步提升极端条件下材料智能设计与仿真能力。

以某个方向的研究（冷原子物理）为例，这个会议的内容的意义大致如下：

第一，搞冷原子、波包演化、相变这套，不用只守着老路子纯解析、纯数值硬算。

平时做的波包动力学、量子演化、体系相变，本质全是物理体系自发演化、能量往最低处跑、多粒子相互作用、涌现相变，跟会上讲的物理演化做智能计算、凝聚态极化演化、多尺度材料相变，底层逻辑一模一样。

人家现在都在干一件事：把物理本身的演化，直接拿来当计算、当建模、当预测工具用，不是你单独写方程、单独跑模拟，而是借体系自己的动力学行为解决问题。

第二，AI 不是搞纯计算机人的事，就是咱们理论物理的工具。

会上所有人的路子都一样：传统理论算不动、多体问题维度太高、相变临界点难刻画、波包长时演化算力崩了，全都开始用机器学习、AI 拟合、小体系推大体系、局域结构推整体相变。

放到自己身上就是：不用硬解复杂波包方程、不用穷举参数扫相变临界点，可以用 AI 学你的冷原子波包数据、学能级演化、学相互作用参数，直接预测波包演化轨迹、找相变临界点、刻画相变前后的涌现行为，省超多算力和推导功夫。

第三，物理体系本身就是天然的 “智能计算器”，其实冷原子天然占优势。

沈健老师讲的：随便一个物理体系，给个外场刺激就自己往能量最低演化，不用反向传播、不用人工调权重。

冷原子体系更干净、可控性更强！光晶格、冷原子波包、相互作用调控、量子相变，本身就是完美的物理演化平台。别人拿磁性薄膜、铁电材料做智能计算，冷原子领域，完全可以用冷原子波包动力学、量子相变这套模型，做量子智能、量子演化计算、小样本量子建模，路子完全通的。

第四，以后做研究别只局限 “纯冷原子理论”，往交叉靠特别容易出成果。

所有凝聚态、量子体系的演化、相变、多体关联，都可以和 AI、智能计算、多尺度建模绑在一起。

比如波包动力学，可以嫁接：AI 反演冷原子相互作用参数、AI 重构波包演化、AI 识别量子相变；

做相变，可以嫁接：用机器学习找相变序参量、预测相变温度 / 临界点、刻画相变的涌现行为，不用纯靠理论推导和大规模数值模拟。

第五，小样本、少数据也能玩，特别适合咱们理论建模。

极端条件、冷原子实验本来就难、数据少，跟会上极端条件材料数据匮乏是一个困境。人家的解法就是：靠物理模型打底，再用 AI 补小样本、做外推、做预测。

对自己来说就是：不用海量实验数据，靠自己的冷原子理论模型、少量数值模拟数据，就能训练模型，做波包演化预测、相变行为预判，特别适配理论物理人的工作模式。

第六，未来科研趋势：物理机理为主，AI 当外挂，不用追大模型，用在自己专业问题上就行。

不用跟风搞通用大模型，对自己没用。就把 AI 当成一个高级数值工具、拟合工具、反演工具、相变识别工具，扎根在自己的冷原子波包、量子相变、多体动力学里，这就是最稳的创新点。

简单一句话总结：

冷原子波包动力学、量子相变，底层逻辑完全契合现在物理 + AI、物理演化做智能计算的大风口；不用改方向，就在原有模型基础上，加个 AI 工具当外挂，既能简化计算、又能找新科研切入点，还特别好发文章、好做项目。