如果一个人工智能系统能够提出一种新材料的配方，这种材料在室温下能够以零电阻导电——这将是量子计算和下一代电网的圣杯？

这正是研究人员通过将大型语言模型与物理法则相结合的新工具所承诺的，确保他们的建议不仅在文字上看起来合理，而且在实验室中也能得到验证。

在麻省理工学院，科学家们推出了SCIGEN，这是一个旨在引导生成性人工智能设计具有奇特属性材料的框架。该系统可以提出候选化合物，这些化合物可能表现出拓扑相、异常的磁行为或比今天已知材料更高温度下的超导性。与传统的人工智能方法不同，后者常常幻想出不可能的分子，SCIGEN将物理和化学的先验知识结合起来，使生成过程保持在现实基础上。

这就是为什么这是一个相当令人兴奋的方向：可能材料的空间是极其庞大的，而试错发现过程又缓慢且昂贵。麻省理工学院的研究人员认为，通过将生成模型与科学约束相结合，科学家可以更高效地探索该空间中有前景的区域。

“与其手动筛选数千种假设化合物，不如让人工智能生成并排名那些既新颖又物理上可行的候选者，”团队在公告中表示。

三星研究人员的一个平行努力从不同角度解决了同样的问题。该科技巨头最近发表的论文“Aligning Reasoning LLMs for Materials Discovery With Physics-Aware Rejection Sampling”描述了一种称为PaRS的方法。

PaRS并不是在前期引导生成，而是过滤大型语言模型产生的推理痕迹，丢弃任何违反已知物理法则或超出经验界限的内容。这种方法提高了准确性，并减少了在量子点LED等设备配方测试中的“物理违规”。

综合来看，SCIGEN和PaRS体现了一个更广泛的趋势：“面向科学的物理感知人工智能。”生成模型可以想象人类研究人员可能从未考虑过的结构，但如果不加以控制，它们往往会产生无意义的结果。通过嵌入领域约束——无论是通过引导生成还是拒绝采样——这些新系统旨在确保创造力与现实相结合。

其潜在收益可能是深远的。在量子计算中，具有稳定量子相的奇特材料对于构建可扩展的量子比特至关重要。在能源领域，新催化剂可以使氢气生产更清洁、更便宜。在电子学中，新型半导体可以突破硅的限制。如果SCIGEN或PaRS能够帮助发现即使只有少数可行的候选者，那么其影响可能会波及各个行业。

目前，这两种方法仍处于早期研究阶段。SCIGEN在生成与理论预测一致的候选者方面显示出潜力，而PaRS在设备性能预测中的错误率有所降低。但这两者的结合——既提出又严格过滤材料的人工智能系统——指向一个未来，在这个未来中，发现的加速不是依靠运气，而是依靠机器引导的设计。

免责声明：本文章仅代表作者个人观点，不代表本平台的立场和观点。本文章仅供信息分享，不构成对任何人的任何投资建议。用户与作者之间的任何争议，与本平台无关。如网页中刊载的文章或图片涉及侵权，请提供相关的权利证明和身份证明发送邮件到support@aicoin.com，本平台相关工作人员将会进行核查。