共计 1049 个字符，预计需要花费 3 分钟才能阅读完成。
新墨西哥大学与洛斯阿拉莫斯国家实验室的研究人员成功开发出一种创新计算框架，攻克了统计物理学中的长期难题。高维对象表示张量（THOR）AI 框架采用张量网络算法，高效压缩并评估了决定材料热力学与机械性能的核心——极其庞大的构型积分和偏微分方程。该框架结合机器学习势函数，编码了原子间的相互作用与动力学行为，从而能够在各种物理条件下对材料进行精确且可扩展的建模。
“构型积分——用于捕捉粒子相互作用——在评估时极为困难且耗时，尤其是在涉及极端压力或相变的材料科学应用中，”领导该项目的洛斯阿拉莫斯高级 AI 科学家 Boian Alexandrov 表示。“准确确定热力学行为深化了我们对统计力学的科学理解，并为冶金学等关键领域提供了宝贵信息。”
迄今为止，科学家们一直依赖分子动力学和蒙特卡罗模拟等近似方法来估算构型积分。这些方法间接模拟长时间尺度上的无数原子运动，以绕过“维度诅咒”——高维问题中复杂性的指数增长，这甚至让最强大的超级计算机也难以应对。此类计算通常需要数周的超级计算机时间，但仍面临显著限制。
新墨西哥大学化学与生物工程系教授 Dimiter Petsev 经常与 Alexandrov 在材料科学领域合作。当 Alexandrov 描述其团队开发的独特计算方法时，Petsev 意识到这项工作可以应用于统计力学中的构型积分作为测试问题。
“传统上，直接解决构型积分被认为是不可能的，因为该积分通常涉及数千个维度。即使使用现代计算机，经典积分技术也需要超过宇宙年龄的计算时间，”Petsev 表示。“然而，张量网络方法提供了一种新的准确性和效率标准，其他方法可以以此作为基准。”
THOR AI 通过使用一种称为“张量列车交叉插值”的数学技术，将被积函数的高维数据立方体表示为一系列较小的连接组件，从而将这一高维挑战转化为可处理的问题。该方法的定制变体识别了重要的晶体对称性，使得构型积分能够在几秒钟内而非数千小时内计算完成——且不会损失准确性。
应用于铜等金属和高压下的惰性气体（如晶体状态的氩），以及锡的固 - 固相变计算，THOR AI 再现了洛斯阿拉莫斯最佳模拟的结果——但速度提高了 400 多倍。它还能与现代基于机器学习的原子模型无缝协作，使其成为材料科学、物理和化学的多功能工具。
“这一突破取代了百年来的构型积分模拟和近似，采用第一性原理计算，”洛斯阿拉莫斯科学家、发表在《物理评论材料》上的研究的主要作者 Duc Truong 表示。“THOR AI 为更快的发现和对材料的更深入理解打开了大门。”
THOR 项目可在 GitHub 上获取。
