德国拜罗伊特大学的研究团队开发出一种基于人工智能的新方法，可显著加速液体性质的计算。该方法通过学习液体中普遍存在的基本物理关系，高效预测热力学平衡下液体的关键参数——化学势。相关成果发表于《物理评论快报》。 传统AI方法多采用监督学习，例如训练神经网络识别图像中的猫，即通过大量已标注图像学习模式。然而，直接让AI学习化学势面临巨大挑战，因为其计算通常依赖复杂的数值算法，耗时极长。 为解决这一难题，拜罗伊特大学理论物理II教授马蒂亚斯·施密特及其研究助理弗洛里安·萨穆勒提出一种创新方法。他们设计的神经网络并非直接学习化学势，而是学习一种“通用密度泛函”——这一函数描述了液体乃至软物质系统中普遍存在的基本物理规律，适用于多种不同体系。 “关键在于，AI学习的不是具体数值，而是液体内在的物理法则。”施密特解释道。例如，即使在不同材质或结构的基底上涂覆同一种液体，其微观行为仍遵循相同的物理规律。这些共性正是“通用密度泛函”所表达的内容。 该AI模型通过学习这一泛函，构建出一个普适的物理框架。而化学势则不再由AI直接预测，而是通过热力学稳定性等基本物理原理，从模型输出与实际可观测量（如粒子密度分布和外部势场）之间的差异中唯一确定。 “这就像让AI识别猫，却从未见过猫——它依靠的是对动物本质特征的理解，而非记忆具体图像。”萨穆勒表示。该方法将数据驱动学习与理论物理洞察相结合，实现了对化学势的间接、一致且高效推导。 这一突破为复杂液体系统模拟提供了全新路径，有望在材料科学、生物系统建模和先进制造等领域发挥重要作用。