由新墨西哥大学与洛斯阿拉莫斯国家实验室研究人员联合开发的新型AI张量网络计算框架——THOR（Tensors for High-dimensional Object Representation），成功破解了困扰物理学界百年之久的统计物理难题。该框架利用张量网络算法，首次实现了对高维构型积分的高效、精确计算，标志着材料科学与统计力学领域的重要突破。 构型积分是描述粒子间相互作用、决定材料热力学与力学性质的核心数学工具，但其计算长期受限于“维度灾难”——当系统维度达到数千时，传统数值方法所需时间甚至超过宇宙年龄。此前，科学家主要依赖分子动力学或蒙特卡洛模拟等近似方法，虽能提供估算结果，但耗时漫长且存在精度瓶颈。 THOR框架通过“张量列车交叉插值”技术，将高维数据立方体分解为一系列低维、相互连接的张量模块，巧妙压缩了复杂度。该方法还能自动识别晶体对称性，显著提升效率。实验表明，THOR可在数秒内完成原本需数千小时计算的任务，且结果精度媲美最先进模拟，速度提升超400倍。 该框架已成功应用于铜、氩等金属与惰性气体在高压下的行为模拟，以及锡的固-固相变计算，结果与洛斯阿拉莫斯顶级模拟高度一致。同时，THOR可无缝集成基于机器学习的原子势模型，具备强大的可扩展性与跨学科应用潜力。 “这是一次从近似模拟到第一性原理计算的飞跃，”论文第一作者、洛斯阿拉莫斯科学家杜克·陈（Duc Truong）表示，“THOR为加速新材料发现和深化物理理解开辟了全新路径。”相关成果已发表于《物理评论材料》（Physical Review Materials），项目代码已开源，可供全球科研人员使用。