物理 - AI在线

全面梳理200+篇前沿论文，视觉生成模型理解物理世界规律的通关密码，都在这篇综述里了！

AIxiv专栏是AI在线发布学术、技术内容的栏目。过去数年，AI在线AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。

验证速度提升25倍，准确率达95.1%，清华团队提出基于物理信息学习的电池衰减预测方法

图 1：研究概念图。编辑 | ScienceAI随着全球对可再生能源需求的日益增长，电池作为储能系统关键技术的地位愈发凸显。然而，电池研发过程中面临着从材料原型到商业产品转化的重重挑战，电池原型验证效率低、研发成本高以及生产废料管理不善等问题制约着电池行业的可持续发展。

学生党狂喜，物理图表动起来！受力分析、光学、电路图等全自动交互

在上物理课的时候，大家应该都有过那种「图太抽象了」的体会吧，需要靠空间想象力才能感受到出题人的想法。而在电子教学时代，物理图可以是动态、可交互的，有助于更深入地理解复杂原理，能够比教科书或视频提供更丰富、更难忘的学习体验，也可以让学生更积极参与到复杂概念的实验中，但是创建交互式模拟既耗时又需要大量的编程工作，所以大部分教学场景只能用已经制作好的模拟图，有时无法完全满足学生对学习材料的特定需求，甚至切换教科书和外部交互视频的过程还会分散学生注意力。最近，卡尔加里大学、科罗拉多大学博尔德分校及Adobe的研究人员提出了一个全新的方法增强物理（Augmented Physics），通过从静态教科书图表中提取和增强内容来创建交互式物理模拟；利用「Segment-Anything」和多模态LLM等先进的计算机视觉技术，可以半自动地从教科书页面中提取图表，并基于提取的内容生成交互式模拟。

类Sora模型到底懂不懂物理？字节完成系统性实验，图灵奖得主杨立昆赞转!

Sora爆火以来，“视频生成模型到底懂不懂物理规律”受到热议，但业界一直未有研究证实。近日，字节跳动豆包大模型团队公布最新论文，研究历时8个月，围绕“视频生成模型距离世界模型有多远”首次在业界完成系统性实验并给出明确结论：视频生成模型可以记忆训练案例，但暂时还无法真正理解物理规律，做到“举一反三”。图灵奖得主、Meta首席AI科学家杨立昆点赞并转发了该研究，表示“结论不令人意外，但很高兴终于有人做了这个尝试！

中国科学院核聚变最新进展，AI 加速等离子体参数预测

编辑 | KX等离子体离子温度和旋转速度是评估聚变实验的重要参数之一，对等离子体稳定性和约束性能有重要影响。如何实现等离子体离子温度和旋转速度的快速精确测量，一直是聚变装置稳定高参数运行所面临的关键技术问题之一。近日，中国科学院合肥物质科学研究院的研究团队在等离子体关键参数诊断研究方面取得新进展。

MIT计算机科学家意外发现，量子纠缠会「突然消亡」

编译 | KX近一个世纪前，物理学家埃尔温·薛定谔 (Erwin Schrödinger) 引起了人们对量子世界一个「奇事」的关注，自那以后，研究人员一直为之着迷和烦恼。当原子等量子粒子相互作用时，它们会摆脱个体身份，转而形成一种比其各部分之和更大、更奇怪的集体状态。这种现象称为纠缠。研究人员对纠缠在仅包含几个粒子的理想系统中是如何工作的，有着坚定的理解。但现实世界要复杂得多。在大量原子中，比如构成我们看得到和触摸到的东西的原子中，量子物理定律与热力学定律相互竞争，事情变得一团糟。在极低的温度下，纠缠可以扩散到很远

专为五大科学领域定制，NASA与IBM合作开大语言模型INDUS

INDUS 以南天星座命名，是一套全面的大型语言模型，支持五个科学领域。（来源：NASA）编辑 | KX在大量数据上训练的大型语言模型 (LLM) 在自然语言理解和生成任务上表现出色。大多数流行的 LLM 使用 Wikipedia 等通用语料库进行训练，但词汇的分布变化导致特定领域的性能不佳。受此启发，NASA 与 IBM 合作开发了 INDUS，这是一套全面的 LLM，专为地球科学、生物学、物理学、太阳物理学、行星科学和天体物理学领域量身定制，并使用从不同数据源的精选科学语料库进行训练。INDUS 包含两类模型：

AI 回答物理学问题，MIT 开发自动绘制材料相图机器学习框架

编辑 | X当水结冰时，它会从液相转变为固相，密度和体积等特性会发生巨大变化。水中的相变很常见，但新型材料或复杂物理系统中的相变是一个重要的研究领域。绘制相图通常需要大量的人类直觉和理解。如何量化未知系统中的相变通常是不清楚的，尤其是在数据稀缺的情况下。麻省理工学院和瑞士巴塞尔大学的研究人员，将生成式人工智能模型应用于这个问题，开发了一种新的机器学习框架，可以自动绘制新的物理系统的相图，几乎不需要人类监督。研究人员基于物理的机器学习方法，比依赖理论专业知识的费力的手动技术更有效。而且不需要大量的标记训练数据集。例如

打破「非此即彼」，平衡 AI 与物理，中国科学院提出建立可学习的气候模型

平衡 AI-物理模型示意图。编辑 | X人工智能（AI）迅速发展，大模型正在重新定义我们理解和应对气候挑战的方式。AI 模型已经席卷了大气科学的各个领域。今年年初，中国科学院大气物理研究所黄刚研究员团队将物理与 AI 融合，提升了数值模式的降水预报技巧。近日，黄刚团队联合中国科学院大学、青岛海洋科学与技术国家实验室、同济大学和首尔国立大学在《Advances in Atmospheric Sciences》上，发表了题为「Toward a Learnable Climate Model in the Artific

MIT、IBM 团队巧妙的 AI 方法来解决「蛮力」数学问题

编辑 | X自牛顿时代以来，自然的基本定律——光学、声学、工程学、电子学，最终都归结为一组重要的、广泛的方程。现在，研究人员找到了一种新方法，可以使用受大脑启发的神经网络来比以前更有效地求解这些方程，在科学和工程领域有许多潜在的应用。相关研究以《Physics-enhanced deep surrogates for partial differential equations》为题，发布在《Nature Machine Intelligence》上。论文链接：，偏微分方程有助于对涉及多种变化率的复杂物理系统进行建

首次尝试！深度学习从原始视频中发现未知输入激励的动力系统的可解释物理定律

编辑/绿萝由于深度学习的发展进步，从视频中提取可解释的物理定律引发了计算机视觉社区的兴趣，但仍然面临巨大的挑战。控制方程（例如 PDE、ODE）的发现可能促进我们对复杂动力系统行为的理解、建模和预测。收集数据的日益丰富和机器学习的进步带来了动态系统建模的新视角。近日，来自中国人民大学和中国科学院大学、美国东北大学的研究团队提出了一个端到端的无监督深度学习框架，根据录制的视频揭示运动物体呈现的显式动力学控制方程。模拟动态场景的实验表明，所提出的方法能够提取封闭形式的控制方程并同时识别视频记录的多个动力系统的未知激励输

我今年89岁，刚刚拿了个物理学博士学位

小时候，无数人说自己长大后要当「科学家」、「发明家」，但他是认真的。

Jupyter笔记本实现，慕尼黑工大220页免费书籍介绍基于物理的深度学习

物理知识和深度学习已经成为了解决现实问题的绝佳组合，但如何更有效地将物理模型引入深度学习领域缺少一个全面的综述。慕尼黑工业大学计算机科学副教授 Nils Thuerey 团队编写的这本书籍对基于物理的深度学习展开了详尽的介绍。书籍地址：：：，《基于物理的深度学习》（Physics-based Deep Learning）介绍了物理建模、数值模拟与基于人工神经网络方法的结合。基于物理的深度学习代表了一个非常活跃、快速发展和令人兴奋的研究领域。就内容而言，本书对物理模拟背景下与深度学习相关的所有内容展开了非常全面的介绍