清华联合清屿科技等推出 EvoSim，让 AI 从实验偏差中修订物理方程
EvoSim 让语言模型在物理建模中追查“错在哪”、改写方程并改进建模方法，在电池快充析锂和动态电压预测上超过人类专家模型。
AI 在数学、编程上进展很快，但在材料与器件所依赖的微观物理建模上仍显吃力。清华张强团队联合清屿科技、香港大学等提出 EvoSim：当模型与实验对不上时，它不只调参数，而是并行提出参数、机制、几何、边界条件等多种可能解释，逐一验证并修订方程，同时把失败经验提炼成可复用的建模方法。在电池快充析锂和动态电压预测两项工业任务上，其结果优于人类专家模型。
正文摘录
.jpg)  作者团队来自清华大学、香港大学、北京怀柔实验室与清屿科技，融合电化学、物理建模与人工智能研究。张强教授与张睿担任共同通讯作者。张强教授为清华大学化工系主任、国家杰出青年科学基金获得者，其课题组相关成果发表于《自然》《自然・化学》《自然・能源》《美国化学会志》等期刊。 AI 在数学、编程等基于形式化推理的任务中进步迅速，已经能够解答高度复杂的问题。但当视野从数字与符号转向材料研发和器件设计所依赖的微观物理世界，AI 就显得力不从心。问题在于：根据现象作出推断，是否就等于理解了系统如何运转？要做到后者，AI 不仅要能定量计算、预测结果，还要追问是哪些机制决定了结果，并让自己的解释经受实验检验。 物理模型正是连接外在现象与内在机制的桥梁。把传输、反应、能量交换等过程写成状态变量和方程，预测便有了可追问、可检验的依据。难点在于，真实系统常耦合多种物理场相互作用，关键内部状态又难以直接测量。当模型与实验对不上，AI 必须追查：参数不准、求解出错，还是原有方程遗漏了关键物理关系？一次排查得到的方法，又能否帮助它完成下一项任务？