IT之家 9 月 16 日消息，周一，洛斯阿拉莫斯國家實驗室與新墨西哥大學的科研人員聯合公布了一款人工智慧（AI）框架，該框架可助力解決物理學領域一項極具挑戰性的計算難題。
這款名為「高維物體表示張量」（THOR）的 AI 框架，採用張量網路方法計算「位形積分（configurational integral）」—— 這一核心方程描述了材料內部粒子的相互作用機制。
THOR 人工智慧以史無前例的速度加速了該方程的計算過程，為超級計算機節省了數周的運算時間。得益於此，科研人員能夠更精準地預測金屬與晶體在極端條件下的行為特徵。
THOR 人工智慧的工作原理
據IT之家了解，對位形積分的求解一直是困擾物理學家的難題，但該積分卻是預測材料性能的關鍵，包括材料的強度、穩定性，以及在極端條件下的變化能力。
THOR 人工智慧通過張量網路數學方法解決了這一難題，將超級計算機原本需要數周的運算時間縮短至秒級，成功將曾經被認為「無法完成」的計算轉化為高效、精準的流程。
該項目負責人、洛斯阿拉莫斯國家實驗室資深 AI 科學家博揚・亞歷山德羅夫表示：「位形積分用於捕捉粒子間的相互作用，其求解難度大、耗時長是公認的問題，尤其在涉及極端壓力或相變的材料科學應用場景中，這一問題更為突出。」
他進一步補充道：「精準確定材料的熱力學行為，不僅能深化我們對統計力學的科學認知，還能為冶金學等關鍵領域提供重要參考。」
此項突破的重要意義
該科研團隊將原本需要超級計算機模擬數周的計算任務，轉化為可在數小時內完成的計算，為科研人員提供了一種強大的新工具，助力其深入研究冶金學、相變現象以及高壓條件下的材料特性，而這些領域對航空航天工程、清潔能源等眾多產業均具有重要意義。
可以這樣類比：物理學家對位形積分的求解，相當於要計算數十億塊樂高積木所有可能的拼接方式，其複雜程度可想而知。
這一問題的難度之高，即便藉助超級計算機也難以高效求解。而該問題的突破，對冶金學、高壓物理學及相變研究領域而言至關重要。
THOR 人工智慧通過將龐大的數據立方體拆解為更小的關聯組件，成功克服了「維度災難」（高維數據處理難題），這一過程類似將雜亂的樂高積木重新整理成規整的鏈條。
當與定製化插值演算法結合使用時，這種「張量列車」技術能以更快的速度解決原本難以處理的問題。關鍵在於，其在將運算速度提升至分子動力學模擬的 400 倍的同時，仍保持了計算結果的精準度。
真實場景測試結果
科研人員在銅、氬、錫等多種高難度測試場景中對 THOR 人工智慧進行了驗證：
在銅的測試中，該框架精準復現了高密度條件下銅的內能與壓力數據；
在氬的測試中，其計算結果與千兆帕壓力下基於機器學習的分子動力學模擬結果完全吻合；
在錫的測試中，THOR 人工智慧以極高的精度捕捉到了錫的固 - 固相變過程，生成完整的相圖僅需 5.8 核時（core hours），而傳統方法完成相同任務通常需要 2560 核時。
未來應用前景
這項研究的影響可能遠超理論層面。更快、更精準的建模技術有望加速新型合金的研發進程，推動清潔能源技術的發展，並助力提升航空航天材料與電子材料的性能。
若 THOR 人工智慧不僅能加快材料研發的速度，還有可能重塑科研人員在各學科領域解決高維問題的方式。
目前，這項突破性研究成果已發表於美國物理學會（APS）旗下期刊。
