Cao Jiahao

Master’s student in Software Engineering at HUST, focusing on multimodal LLMs, AIGC, computer vision, and AI applications. Passionate about sharing knowledge and building open-source projects.

目录

  1. 概述
  2. 结构生物学与药物发现
  3. 天气与气候预测
  4. 材料科学
  5. 数学与定理证明
  6. 物理仿真与控制
  7. 实践建议
  8. 参考文献

1. 概述

AI for Science（AI4S）是将深度学习应用于自然科学问题的交叉领域。近年来，AI 在多个科学领域取得了突破性进展，部分场景已达到或超越传统方法：

  • AlphaFold 解决了蛋白质结构预测这一 50 年难题。
  • AI 天气模型在预报速度上比传统数值方法快数个数量级。
  • 大语言模型开始辅助数学证明和科学发现。

AI 在科学中的角色包括：模拟仿真器（替代昂贵的物理模拟）、数据驱动的预测器、实验设计优化器、以及科学家的智能助手。

2. 结构生物学与药物发现

2.1 蛋白质结构预测

AlphaFold2（Jumper et al., 2021） 在 CASP14 竞赛中达到实验精度，是 AI4S 的里程碑：

  • 用 Evoformer（基于注意力的架构）处理多序列比对（MSA）和成对特征。
  • 结构模块（Structure Module）直接生成 3D 原子坐标。
  • 通过迭代细化和等变变换确保物理合理性。

AlphaFold3 进一步扩展到配体、核酸和共价修饰，覆盖蛋白质-小分子复合物。

后续工作：

  • ESMFold（Meta, 2022）：纯序列输入（无需 MSA），速度快 60 倍，适合宏基因组学。
  • RoseTTAFold：三轨网络（序列、成对、3D 坐标）。
  • OmegaFold：单序列预测，适合孤儿蛋白。

2.2 蛋白质设计

  • ProteinMPNN：给定结构骨架生成氨基酸序列。
  • RFdiffusion（Baker Lab, 2023）：用扩散模型从零设计全新蛋白质结构，可设计结合蛋白、酶和对称组装体。
  • ESM-IF：逆折叠模型，从结构预测序列。
  • Chroma（Generate Bio）：可编程蛋白质生成模型。

2.3 药物发现

  • 分子对接与打分：预测小分子与靶蛋白的结合构象和亲和力。
  • 生成式分子设计：扩散模型、VAE、自回归模型生成候选药物分子。
  • 属性预测：吸收、分布、代谢、排泄、毒性（ADMET）预测。
  • AlphaFold + 虚拟筛选：基于结构的药物发现流程。
  • 代表性公司：DeepMind Isomorphic Labs、Insilico Medicine、Recursion、Atomwise。

3. 天气与气候预测

3.1 AI 天气预报

传统数值天气预报（NWP）通过求解偏微分方程模拟大气，计算成本极高。AI 方法用历史气象数据训练神经网络，直接从当前观测推断未来天气：

  • Pangu-Weather（华为, 2023）：3D Earth-specific Transformer，在多个预报指标上超越 ECMWF 传统模式，速度快 10000 倍。
  • FourCastNet（NVIDIA, 2022）：基于 Fourier Neural Operator 的全球天气预报。
  • GraphCast（DeepMind, 2023）：基于图神经网络的全球天气预报，在 1380 个指标中 90% 超越传统模式。
  • GenCast（DeepMind, 2024）：扩散模型生成概率天气预报，首次在精度和校准度上全面超越集合预报。
  • Aurora（Microsoft, 2024）：基础模型范式的大气/气候预测，可在多任务间迁移。

3.2 AI 气候科学

  • 气候降尺度：将粗分辨率气候模型输出细化为局部预测。
  • 极端事件检测：识别飓风、热浪、洪水等极端天气模式。
  • 气候模拟加速：用 AI 替代部分物理参数化方案。
  • 碳监测：卫星图像 + AI 追踪碳排放和碳汇。

4. 材料科学

4.1 晶体材料发现

  • GNoME（DeepMind, 2023）：用 GNN 预测材料稳定性，发现 220 万种新晶体，其中 38 万种稳定，相当于人类已知稳定材料的 45 倍。
  • MatterGen（Microsoft, 2025）：扩散模型生成具有目标属性（磁性、导电性等）的无机材料。
  • CDVAE：变分自编码器生成晶体结构。
  • MatGL / M3GNet：图神经网络势能函数，用于材料属性预测。

4.2 催化剂与电池

  • Open Catalyst Project（Meta, 2020-）：用 GNN 预测催化反应中的吸附能和反应路径，加速可再生能源催化剂发现。
  • 电池材料：AI 预测固态电解质、电极材料性能，缩短研发周期。
  • 高通量筛选：AI + 机器人实验室（自驱动实验室）自动合成和测试候选材料。

5. 数学与定理证明

5.1 神经定理证明

  • AlphaGeometry（DeepMind, 2024）：神经符号系统解决奥林匹克几何题，在 IMO 上达到银牌水平。结合符号演绎引擎和语言模型预测辅助构造。
  • AlphaProof：基于强化学习的形式化数学证明，使用 Lean 语言。
  • LeanDojo：开源工具包，支持在 Lean 证明助手中进行机器学习。
  • GPT-4 / Claude：可辅助形式化证明，将自然语言数学转化为 Lean/Coq/Isabelle 代码。

5.2 数学发现

  • 猜想生成：AI 通过观察数学对象的模式提出新猜想（如纽结理论中的新关系）。
  • FunSearch（DeepMind, 2023）：用 LLM 搜索数学对象的构造性程序，发现了 cap set 问题的新下界。
  • AI 辅助数学研究：数学家开始将 LLM 作为研究助手，用于文献检索、证明探索和符号计算。

5.3 科学代码与仿真

  • JAX / PyTorch 成为科学计算框架，GPU/TPU 加速物理仿真。
  • 神经算子（FNO, DeepONet）：学习偏微分方程的解算子，比传统数值方法快几个数量级。
  • AI 增强 CFD（计算流体力学）：用神经网络加速流场模拟和湍流建模。

6. 物理仿真与控制

6.1 粒子物理与量子计算

  • LHC 事件筛选：CERN 使用 CNN/Transformer 实时筛选粒子对撞事件。
  • 量子计算控制：强化学习优化量子门操作和纠错。
  • 格点量子色动力学：用流模型加速采样。

6.2 核聚变

  • DeepMind + EPFL（2022）：深度强化学习在托卡马克装置中控制等离子体形状。
  • 聚变模拟加速：AI 预测等离子体不稳定性和破裂。

6.3 神经科学

  • 脑机接口：神经网络解码神经信号，控制假肢和光标。
  • 连接组学：CNN/Transformer 分析电镜图像中的神经连接。
  • 脑活动建模：用计算模型理解感知和认知机制。

7. 实践建议

7.1 入门路径

  1. 从感兴趣的科学领域出发（生物/物理/化学/数学），阅读该领域的 AI4S 综述。
  2. 学习等变神经网络（EGNN、SE(3)-Transformer）——这是处理 3D 科学数据的基础。
  3. 动手复现一个经典项目（如 AlphaFold 推理、GraphCast 预报、分子属性预测）。
  4. 关注开源社区：DeepMind、Meta FAIR、Microsoft Research 的开源模型和数据集。

7.2 技术栈

  • 框架：PyTorch + PyG（图网络）、JAX（高性能科学计算）。
  • 领域库：RDKit（化学）、Biopython（生物）、Astropy（天文）、Qiskit（量子）。
  • 数据：PDB（蛋白质）、Materials Project（材料）、ERA5（气象）、Qlib（金融）。
  • 算力：大模型推理需 GPU，科学训练常需多 GPU/TPU 集群。

7.3 研究趋势

  • 基础模型范式向科学迁移：如 Aurora、Aurora-MP 等科学基础模型，在多个科学任务间共享知识。
  • 神经符号融合：结合 AI 的模式识别和符号推理的严谨性，在数学和物理中尤其重要。
  • 自驱动实验室：AI 设计实验 → 机器人执行 → 结果回传 → AI 更新模型，形成闭环。
  • 多模态科学模型：统一处理文本、分子结构、图像、光谱、基因组等科学数据。

8. 参考文献

[1] J. Jumper, R. Evans, A. Pritzel, et al., Highly Accurate Protein Structure Prediction with AlphaFold, Nature, 2021.

[2] R. Abramson, J. Adler, J. Dunger, et al., Accurate Structure Prediction of Biomolecular Interactions and Interactions with AlphaFold 3, Nature, 2024.

[3] R. Teh, C. M. Lee, J. S. Hsu, et al., Evolutionary-Scale Modeling of Protein Complexes with ESM3, Science, 2024.

[4] R. Krishna, J. Ma, D. I. W. Li, et al., General Structure-Based Protein Design with RFdiffusion, Nature, 2024.

[5] R. Lam, A. Sanchez-Gonzalez, M. Willson, et al., Learning Skillful Medium-Range Global Weather Prediction with GraphCast, Science, 2023.

[6] I. V. Zhirkov, X. Shi, S. Green, et al., GenCast: Diffusion-Based Ensemble Forecasting for Medium-Range Weather, Nature, 2025.

[9] M. J. Buehler, V. M. Loaiza, et al., Artificial Intelligence for Science, Nature Reviews Materials, 2024.

[7] K. Chmiela, H. E. Sauceda, et al., Machine Learning for Molecular Simulation, Nature Reviews Physics, 2023.

[8] T. H. Wang, J. X. Wang, et al., Machine Learning for Science: A Survey, arXiv preprint, 2024.

[10] A. Davies, P. Veličković, et al., Advancing Mathematics by Guiding Human Intuition with AI, Nature, 2021.

留下评论