众所周知，传统仿真是通过输入系统初始参数、设定系统边界条件，通过求解相应的控制方程计算系统能量最低的状态、再进而采用平均场响应等方法计算系统的性能。比如，量子力学首先计算波动方程的能量本征值与波函数、再计算系统的性能；DFT首先计算系统自由能最低的电子态密度和能带结构，再计算电输运、光吸收等等性能。

在目前广泛流行的AI for Science范式下，“计算仿真”的做法通常是采用神经网络等代理模型AI学习过去解方程积累的大量数据，从而快速“给出”传统计算求解方程的结果。因此，“大数据”、“高质量数据”成为了AI4S“算”任务的基础和出发点。在此条件下，缺数据、缺高质量的数据成为制约该范式的首要障碍，并且这个问题将长期存在，即使靠高通量方式进行数据生产也依然如故。话说回来，生产数据时把方程解过了“黑箱”代理模型还必要吗？

什么样的方式才是“智能计算”？本司认为，深度学习传统仿真的历史数据从而“黑箱式”给出拟定的新任务结果的方式显然否也。从解方程转换到找关系---方程输入与输出端到端数理关系（包括关系的数学形式与相应的模型参数）、而且不强烈依赖大数据才能与“智能计算”沾边。

一个方程，输入有特征、有边界、有边界条件，输出有状态、有行为结果、也有性能指标，AI的结构因果模型可以非常直接地建立起方程的输入-输出端到端关系（x : fc —>y），通过智能计算获得 fc 的数学形式和模型参数、弥合机制建模与数据建模之间的鸿沟（这种方式应是科学智能和工程智能的目标），再进而应用 fc 省时、省力地计算系统状态和响应行为的数字化时-空孪生映射。此方式是本司定义的智能仿真。

固体力学从本构方程出发计算仿真对象的应力-应变分布时并不显示(隐式)包含材料的特征，工程调参的结果往往不知对应哪个材料。与此相反，结构因果模型可以直接建立各有限元的 “应力 : fc —> 应变” 因果模型，fc 可直接包含材料的化学组成和显微结构等系统特征作为模型参数。

支持单位：