用AI搜索所有可能的材料空间

摘要

本文是Latent Space对CuspAI联合创始人Max Welling教授的访谈。Welling提出物理处理单元概念，将自然实验视为一种计算形式。他分享了从量子引力理论到VAE、等变神经网络，再到创立材料科学公司的跨界经历。文章深入探讨了AI for Science的发展现状、材料创新对AI和能源转型的重要性，以及CuspAI如何通过生成式模型加速材料发现。

内容框架与概述

访谈以物理处理单元这一创新概念开篇，Welling将物理实验视为与数字计算互补的计算形式。他回顾了自己的职业轨迹，从纯理论物理转向气候变化和材料科学领域，体现了从好奇心驱动到影响力驱动的研究动机转变。

文章详细讨论了AI for Science的爆发性增长及其背后的催化剂，如蛋白质折叠和机器学习力场。Welling强调材料创新而非软件可能是AI和能源转型的真正瓶颈，并介绍了CuspAI的平台架构，结合生成式模型、多尺度数字孪生和实验循环。

技术层面，访谈深入探讨了等变性和对称性在深度学习中的重要性。Welling用瓶子旋转的例子生动解释了等变性概念，并讨论了归纳偏置与数据规模之间的权衡。最后，他分享了对扩散模型与随机热力学之间深层数学联系的研究。

核心概念及解读

物理处理单元（Physics Processing Unit）：将自然实验视为一种计算形式，数字模型与物理实验协同工作，自然本身充当处理器。

等变性（Equivariance）：神经网络对对称变换的响应特性，确保输入的对称变换会相应反映在输出中，是物理感知机器学习的核心。

**AI for Science：利用人工智能加速科学发现的新兴领域，正在经历工业革命般的爆发式增长，涵盖蛋白质折叠、材料发现等多个方向。

归纳偏置与规模（Inductive Bias vs Scale）：深度学习中的核心权衡，等变性提供强归纳偏置可减少数据需求，但大规模数据可能使这种偏置变得不再必要。

扩散模型与热力学（Diffusion and Thermodynamics）：生成式扩散模型与随机热力学之间存在深层数学联系，这是Welling即将出版的新书主题。

原文信息

此摘要卡片由 AI 自动生成