洛斯阿拉莫斯國家實驗室和新墨西哥大學的科學家們於週一發佈了一個人工智能框架，旨在解決物理學中最困難的計算之一。這個名為「高維物體表徵的張量（THOR）」的系統，利用張量網絡方法來計算配置積分，這是描述粒子在材料內部相互作用的核心方程。THOR AI以空前的速度加速了這一方程的計算，為超級計算機節省了數周的時間，從而使科學家能夠更準確地預測金屬和晶體在極端條件下的行為。
配置積分對於物理學家來說是極其難以解決的，但它是預測材料在強度、穩定性以及在極端條件下變化能力方面的關鍵。THOR AI通過使用張量網絡數學，將原本需要數周的超級計算機時間壓縮到幾秒鐘，將一個曾經被認為不可能的計算轉變為高效且準確的過程。洛斯阿拉莫斯的資深人工智能科學家 Boian Alexandrov 表示：「配置積分——捕捉粒子相互作用的方程——在材料科學中涉及極端壓力或相變時，評估起來極其困難且耗時。」他補充道：「準確確定熱力學行為，深化了我們對統計力學的科學理解，並對冶金等關鍵領域提供了重要信息。」
這一研究的意義不僅僅限於理論層面。將一個原本需要數周的超級計算機模擬的計算轉變為幾個小時內可解的計算，為科學家提供了一個強大的新視角，來理解冶金、相變以及高壓下的材料，這些都是從航空航天工程到清潔能源的關鍵領域。想像一下計算數十億塊樂高積木可以組合的每一種可能性——這正是物理學家在評估配置積分時所面臨的複雜性。這一問題的難度甚至讓超級計算機也難以解決，這對於冶金學、高壓物理和相變研究至關重要。
THOR AI通過將龐大的數據立方體分解為較小的、相互關聯的組件來應對維度詛咒。這就像將樂高重新組織成整齊的鏈條。與一個自定義的插值算法結合後，這種張量訓練技術使得無法處理的問題以更快的速度變得可解決，並且在保持準確性的同時，比分子動力學模擬快了多達400倍。科學家們在幾個具有挑戰性的銅、氬和錫案例上測試了THOR AI。銅在高密度下準確地再現了內部能量和壓力；氬在吉帕斯卡壓力下與基於機器學習的分子動力學結果相匹配。而錫則以驚人的精確度捕捉了固態相變，產生了完整的相圖，所需的5.8核心小時相比傳統方法的2,560小時大幅縮短。
未來的研究意義可能遠超過理論層面。更快、更準確的建模有助於加速新合金的發現，推進清潔能源技術，並增強航空航天及電子材料的性能。如果THOR AI能夠駕馭物理學中最令人畏懼的挑戰之一，它不僅可能加速材料發現，還能重新塑造科學家在各個學科中處理高維問題的方式。這項突破性研究已發表在APS期刊上。
