博文

物理与工程｜物理第一性AI：从物理通向智能精选

已有 889 次阅读 2026-7-23 09:48 |系统分类:论文交流

编者按：正值清华大学物理系建系百年，本刊特组织一系列高水平学术论文以致敬其百年学术传承。罗迪副教授作为清华物理系AI+Physics与量子计算交叉领域的青年人才，特别撰写此文并率先提出“物理第一性AI”研究范式，前瞻性地探讨了从物理规律和思想探寻超级智能的路径。相信此文将引领学界深入思考物理原理与人工智能的融合，为前沿研究提供富有原创性的学术洞见。此文选自《物理与工程》2026年第5期——清华物理系“百年系庆”专刊。

微信图片_20260719082201_499_61.jpg

罗迪

（清华大学物理系，清华大学高等研究院）

2024年诺贝尔物理学奖的颁布，为人工智能与物理学的跨界融合画上了一座里程碑。该奖项授予约翰·霍普菲尔德（John Hopfield）与杰弗里·辛顿（Geoffrey Hinton），表彰其“使利用人工神经网络进行机器学习成为可能的基础性发现和发明”，显示出物理思想与人工智能研究之间的深层联系受到学界高度认可。长期以来，大众与学界普遍形成固有认知：人工智能是纯粹的工程技术、算法工具，物理学是研究自然规律的基础科学，二者各司其职、互不隶属。但随着技术迭代与理论深耕，这一认知正在被改变。

当代人工智能已经从传统的数据拟合模型逐步发展为能够完成复杂感知、生成与推理任务的大规模学习系统，在训练动力学、参数耦合及集体行为等方面，呈现出典型的复杂系统特征，其运行规律、演化逻辑可以借助能量、信息、对称性、动力学等物理理论获得新的分析视角。与此同时，物理学不仅是人工智能的重要应用领域，而且持续为人工智能提供新的理论启发，包括底层模型结构、训练优化目标、计算范式、推理进化与可解释性核心原则。因此，本文提出物理第一性AI的核心概念，从最基础的物理学规律和思想出发重构人工智能的模型设计、训练目标与计算推理，推动科学智能迈入新发展阶段。

一、理论溯源：物理与人工智能的百年交汇

人工智能与物理学的融合并非近年的新兴趋势，而是根植于数百年的科学理论积淀。统计力学、量子力学、复杂系统理论等经典物理体系，早已为现代人工智能的诞生与发展埋下了理论伏笔，构成了智能计算的底层语言与核心逻辑。现代机器学习中的概率建模、能量模型与优化方法，其重要思想可以追溯到玻尔兹曼和吉布斯建立的统计力学体系。统计力学建立了微观状态与宏观规律之间的联系，以玻尔兹曼分布刻画系统微观状态的概率分布，并通过配分函数对所有可能状态进行归一化，从而描述系统的统计性质及其平衡行为。围绕概率分布、熵、配分函数和自由能等核心概念，统计力学形成了一套研究复杂系统的统一理论框架，也为后续概率模型的发展提供了重要理论基础。如今，机器学习中的能量模型、配分函数计算、对数似然估计以及变分推断等方法，都与统计力学框架具有密切的理论联系。从统计物理的视角看，人工智能的学习过程可以理解为系统在数据与任务约束下不断降低不确定性、优化能量–熵权衡的动态过程，自由能最小化为分析这一过程提供了统一理论框架。这种基于物理基本规律理解和设计学习系统的思想，体现了物理第一性原理在人工智能中的应用，也为机器学习模型的构建、训练与解释提供了具有物理意义的理论视角。

在经典神经网络的发展过程中，物理学提供了重要理论基础。Hopfield网络、Boltzmann机等经典神经网络模型直接源于伊辛模型和自旋玻璃统计力学，而这些模型对现代神经网络的发展产生了重要影响^[1]。早期研究借鉴自旋系统的能量函数构建神经网络，将神经网络的记忆与检索过程描述为向能量极小值对应的稳定状态演化，建立了统计物理与神经网络信息处理机制之间的重要联系。后续研究进一步引入自由能、玻尔兹曼分布和变分推断等思想，推动了概率模型与能量模型的发展。不止于此，各类经典物理理论进一步拓展、完善了神经网络的设计体系：对称性理论推动等变神经网络的迭代演进^[2]，为模型结构化设计提供严谨的约束依据；微分方程与物理动力学不断启发神经网络架构和生成模型的发展，例如主流扩散模型的生成机制，便依托热力学方程构建成型^[3]；重整化群和相变理论也被用于理解深度神经网络的尺度行为、能力涌现^[4]等现象，为相关理论研究提供了新的分析视角。

与此同时，统计力学、信息物理与量子力学的发展，深化了人们对信息与计算物理基础的认识，也为探索人工智能新的理论与计算范式提供了重要启发。薛定谔在《What is Life?》^[5]中探讨了如何从物理规律出发理解生命系统，推动了物理学与生命科学的交叉，并对后来关于复杂生命系统、信息与物理关系的研究产生了深远影响。兰道尔原理^[6]进一步揭示了信息处理的物理属性，指出信息擦除等逻辑操作具有不可忽略的热力学代价，表明信息处理必须依托具体的物理过程实现，因此计算能力与能耗最终受到其底层物理实现的约束。量子力学的发展则进一步拓展了人类对信息与计算的认识：冯·诺依曼建立了量子力学的系统数学框架，对量子态、测量与熵等概念进行了严格的数学表述，为后来量子信息科学的发展奠定了重要理论基础。费曼进一步指出，经典计算机在模拟一般量子系统时面临显著的计算困难，并提出利用量子系统模拟量子物理过程的思想，成为量子计算发展的重要理论起点之一。此后，量子计算进一步拓展至机器学习领域，推动了量子机器学习等交叉方向的发展，并为探索新的数据表示、采样与优化方法以及特定问题上的潜在计算优势提供了新的理论与技术路径。

二、人工智能的新发展：物理范式的介入

过去十年是人工智能爆发式发展的黄金时期，从AlphaGo突破围棋博弈壁垒^[7]、AlphaFold破解蛋白质结构预测难题^[8]，到图文生成模型实现高精度内容创作、大语言模型具备通用推理与交互能力，人工智能已经从专用模型逐渐发展为具备一定通用表示、生成和推理能力的基础模型阶段。人工智能不再是辅助科研、生产的算法工具，而是演变为全新的知识组织方式与世界建模体系，深刻改变着人类认知世界、改造世界的方式。

人工智能高速演进之际，以数据驱动和工程迭代为主的发展范式也逐渐面临一系列深层挑战。其一，现有智能体系中的感知、生成、推理、决策与世界建模等能力仍缺乏统一、自洽的理论框架，如何借鉴物理学追求统一基本规律的研究思想，建立能够系统理解和描述人工智能底层运行机制的理论体系？其二，当前人工智能的发展在很大程度上依赖模型规模、数据规模与计算资源的持续扩展，但这一发展路径面临数据、算力、能耗和效率等多重约束，如何从物理第一性原理出发探索新的模型结构、优化目标与计算范式，为新一代人工智能开辟更加高效、可持续的发展路径？其三，当前人工智能仍高度依赖大规模数据与训练过程，在小样本泛化、因果推理、知识外推、自主科学发现与持续学习等方面仍存在重要挑战，如何借鉴物理学中从有限观测提炼普适规律、利用对称性与因果约束建立可外推模型的研究范式，推动AI从数据驱动的模式学习进一步走向规律发现、知识创造与自主迭代，探索迈向超级智能 ASI的可能路径？

物理学为人工智能的发展提供了具有潜力的系统性理论框架，可从结构、优化、计算、推理四大维度，搭建起完整的Physics for AI理论体系。在结构层面，物理学的对称性、守恒律、几何约束、因果结构，定义了AI模型的基础架构先验。从平移、旋转等基础时空对称，到规范、置换等高阶拓扑对称，物理规律为模型连接方式、参数共享机制、变换不变性设计提供了核心准则，有望解决传统人工智能架构设计的经验化、随机性问题。在优化层面，统计力学中的自由能、相对熵与变分原理，以及动力学与最优控制理论，为理解多类人工智能训练与优化问题提供了统一的理论视角。机器学习目标可以从能量、熵与信息之间的权衡加以理解，从而为人工智能的训练动力学与优化机制提供具有物理意义的解释框架。在计算层面，量子表征、量子混合算法、新型物理硬件突破了经典智能的计算边界。依托量子力学的独特物理特性，有机会突破经典模型算力局限，拓展AI的应用场景与能力上限。在推理层面，物理思想有望突破传统人工智能对数据拟合与经验模式的过度依赖，推动AI提升少样本推理、规律发现与创新探索能力。同时，借助物理研究范式，AI可形成“问题假设—推演预测—实验验证—反馈修正”的闭环学习过程，并探索智能系统持续学习、自我修正与自主进化的新路径。

结合结构先验、优化目标、计算机制、推理范式四大核心维度，本文提出物理第一性AI这一概念。物理第一性AI是指从物理学的基本原理与研究思想出发，理解、设计并优化人工智能系统的新型研究范式，将AI视为运行于现实物理载体之上的复杂信息处理系统，而非单纯的数据拟合工具。该范式下，AI的架构设计、训练优化、计算结构和推理演化等环节，均可借助物理学原理和思想获得新的机理解释与体系化设计方法。物理第一性AI的研究范式，有望为通用人工智能的理论建构与技术突破奠定底层理论根基，从物理学底层构建新一代AI。下文将系统阐释该框架下物理学赋能AI演进的内在机理与可能路径。

2.1 对称性与运动方程：构建具备结构化先验的AI模型

对称性与诺特定理是物理学的核心基础原理^[9]，也是机器学习领域架构设计的核心准则。物理学定义，若一个系统在某类群变换作用下保持形式不变，即具备对应的对称性，而连续对称性必然对应系统的守恒律。时间平移对称性对应能量守恒、空间平移对称性对应动量守恒、空间旋转对称性对应角动量守恒，这一系列规律是自然系统稳定运行的核心底层逻辑。物理学的结构化研究思路，本质就是识别系统的不变性，挖掘不随外界变换而改变的核心本质。这一物理思想正好适配人工智能的架构优化需求。传统纯数据驱动的AI神经网络，往往忽略任务本身的物理对称性，需要消耗海量数据、大量参数学习基础规律，泛化能力差、训练稳定性低。而依托物理对称性设计模型，本质是将自然规律前置嵌入网络结构，大幅降低模型的学习成本^[10]。其核心准则是实现神经网络的不变性与等变性设计：当输入数据发生对称变换时，模型输出保持不变或遵循对应变换规律。

当前主流AI架构的迭代升级体现了对称性思想的应用。卷积神经网络适配图像任务的平移对称性，通过参数共享实现平移等变性，大幅提升图像识别效率；图神经网络适配拓扑结构的置换对称性，实现节点置换等变性，适配社交网络、分子结构等非欧氏数据；三维欧氏变换Transformer等新型模型^[11]，依托三维欧氏群对称性，适配分子、材料的三维空间变换规律，在生物建模、材料仿真等任务中表现远超传统模型。更进一步，针对场论、粒子物理的局域规范对称性，学界已开发出规范等变神经网络量子态，为人工智能模型探索量子场论提供新的路径^[12]。基于动力学物理规律，学界还提出了扩散模型^[3]、哈密顿量神经网络^[13]、拉格朗日量神经网络^[14]等前沿模型。哈密顿量神经网络通过神经网络学习系统哈密顿量，天然保留物理系统的辛结构与能量守恒特性，适配轨道动力学、分子动力学等守恒系统建模；拉格朗日量神经网络直接学习系统拉格朗日量与作用量，适配带约束的广义坐标系统，可通过模型结构内生实现守恒律。与此同时，将物理运动方程直接融入神经网络计算，并依托光学、热力学、电子等多种物理硬件实现高效推理与训练，有望进一步推动神经形态计算（Neuromorphic Computing）的发展。

这一系列模型设计形成了物理赋能神经网络架构设计准则：首先识别任务对应的对称变换规律，确定模型所需的不变性、等变性特征，将物理结构前置嵌入模型，替代传统的人工正则化约束。这种设计思路让AI模型具备天然的物理一致性、更少的数据依赖、更强的外推泛化能力。

2.2 统计力学：提供AI训练优化的底层机制

统计力学的自由能变分原理，为监督学习的数据拟合、生成模型的分布重构、强化学习的奖励优化、大模型的对齐约束提供了统一的优化框架。自由能是统计力学的核心物理量，描述了热力学系统的自由能量状态，结合变分推导可得出核心恒等式，将系统能量、熵、概率分布差异完美融合。其核心物理内涵是：物理系统的稳态演化，本质是自由能最小化的过程，即系统会不断修正自身状态，趋近于真实的玻尔兹曼平衡分布。

这一物理原理与机器学习的优化训练在数学形式上具有高度一致性。机器学习的最大似然训练，核心是最小化经验负对数似然，其数学本质等价于最小化数据真实分布与模型拟合分布的相对熵散度，实现分布匹配。生成模型中的变分推断与证据下界（ELBO）优化，在数学结构上与统计物理中的变分自由能原理密切相关。以变分自编码器为例，其优化目标包含数据重建项与KL散度正则项，用于平衡数据拟合与潜变量分布约束；从变分推断的视角看，最大化ELBO等价于最小化相应的变分自由能。这一理论体系为监督学习、生成模型和强化学习等多类AI训练范式提供了统一的理论视角。在强化学习领域，现代“控制即推断”（Control as Inference）框架将策略优化转化为带奖励约束的概率推断问题。熵正则强化学习在最大化任务奖励的同时引入策略熵正则，在适当条件下最优策略满足玻尔兹曼分布形式。在这一框架下，KL正则化策略优化可视为期望奖励与策略相对于参考分布的偏离代价之间的权衡，其目标函数与统计力学中的自由能优化具有相似的数学结构，为理解强化学习提供了统一的统计物理视角^[15]。

在大模型微调与对齐领域，RLHF^[16]以及DPO^[17]等方法，可在KL正则化优化框架下进行统一分析，其中RLHF最为典型。其目标在提高奖励模型所定义的偏好奖励的同时，通过KL散度约束策略相对于参考预训练模型的偏离，以维持训练稳定性并减少模型能力和输出分布的过度漂移。从统计物理角度看，这类“奖励—KL约束”目标与自由能优化具有相似的数学结构：奖励可类比为负能量，KL项刻画策略偏离参考分布的代价，其权重在形式上类似温度尺度，用于调节奖励提升与参考分布约束之间的平衡，体现了统计力学中能量、熵与概率分布之间的权衡思想。此外，统计物理中的重整化群、平均场理论、相变与对称性破缺等思想，也为理解大模型训练中的多尺度表征形成、集体行为涌现、动力学转变及标度律提供了重要启发。

2.3 量子理论：有望突破经典AI的表示与计算瓶颈

经典AI主要建立在经典信息表示与经典计算架构之上，随着模型规模和任务复杂度持续增长，逐渐面临上下文长度、计算与存储开销、长程信息有效利用以及组合泛化等方面的挑战。量子力学中的叠加、纠缠、干涉与相位等独特物理特性，则为人工智能探索新的信息表示与计算范式提供了可能。量子计算的发展有望为未来AI提供新的硬件平台与算法工具。不同于经典比特的0或1状态，量子比特可以处于0和1基态的相干叠加，并通过量子纠缠与干涉进行信息处理，从而有望在特定计算问题上实现超越已知经典算法的计算优势。

量子理论的加速优势体现在多个维度。其一为表示加速，依托希尔伯特高维空间，可高效拟合复杂数据的相关性特征；其二为线性代数加速，量子相位估计、量子奇异值变换等量子算法，大幅提升矩阵运算效率；其三为统计与搜索加速，幅度估计、Grover搜索、量子游走等技术，优化了模型采样、期望值估计等核心流程；其四为优化与模拟加速，量子退火、量子近似优化算法等为组合优化提供了新的求解路径，而量子模拟则能够直接处理复杂量子系统，在材料设计、生命制药、金融投资、密码学等场景具备潜在的优势。

量子理论对人工智能的潜在赋能并非局限于计算加速，还可能为信息表示、学习机制与模型设计提供新的理论与计算范式^{[18, 19]}。量子信息利用叠加、纠缠、相位与干涉等特性进行信息编码和处理，为机器学习提供了独特的表示与计算机制；量子态、张量网络、量子多体物理与量子信息等理论也可启发经典人工智能的概率表示、生成模型与训练架构设计。在量子机器学习领域，对于量子实验和量子模拟产生的量子数据，量子学习算法可以直接处理量子态，在部分任务中展现出可证明的样本或计算复杂度优势；进一步利用量子计算处理经典数据、加速经典机器学习任务，也是当前量子计算与人工智能交叉研究的重要前沿方向。

2.4 物理推理：通向AI少样本学习创新与自进化

物理学的科研思维与学习范式，在小样本洞察、突破既有认知与动态迭代方面具有鲜明特点，为当前以大数据和规模扩展为主的AI发展范式提供了不同思路。物理学家善于从习以为常的普遍现象中洞察深层本质，从有限信息与少量观测中捕捉核心规律；认知的高度并非仅由知识与样本的数量堆叠决定，正如精读百本典籍的深度思考，往往胜于泛读千本典籍的浅层积累。依托第一性原理、对称性约束与数理推演，物理学能够从有限而关键的观测中凝练规律、构建模型。纵观物理学发展，相对论、量子力学等重大理论革新，都体现了对既有经验与传统认知的突破；同时，物理理论通过“观测—推演—验证—修正”不断迭代完善，为构建具备小样本学习、创新发现与持续进化能力的新型智能提供了重要的科学范式。

这种物理认知与科研范式，有望推动AI突破以数据拟合为主的传统学习路径。当前主流AI高度依赖大规模数据，其能力往往受训练数据分布与既有知识边界制约，容易复现已有规律并形成认知固化，在小样本泛化、跨分布外推与突破性创新方面仍面临挑战，模型迭代也主要依赖外部数据与反馈。引入物理第一性思维后，AI有望突破“数据越多、性能越强”的单一缩放逻辑，探索“原理先验、小样本深挖、本质洞察”的学习模式，以因果规律、对称性等结构化知识为先验，提升少样本学习与高效外推能力。同时，借鉴物理学质疑既有假设、探寻深层规律的思辨方式，AI有望突破数据偏见与既有认知框架，主动发现隐藏在表象背后的非直觉规律，推动突破既有共识的原创性科学发现。

沿着这一方向发展“AI物理学家”^[20]，可能成为迈向更高水平自主科学智能乃至通用人工智能的重要探索方向。它将物理学的因果建模、理论推演与规律发现能力，与AI的大规模计算、搜索和快速迭代能力相结合，使智能系统能够自主提出科学问题与假设，通过理论计算、数值模拟或真实实验进行验证，并根据反馈不断修正模型与理论，形成“提出问题—构建假设—推演预测—实验验证—反馈修正”的自主科研闭环。这样的智能形态不仅有望加速复杂科学问题的求解，也可能提升AI的可解释性、泛化能力与原创发现能力，为探索从通用人工智能走向更高水平自主科学智能乃至超级人工智能（ASI）提供新的可能。

三、人工智能时代的物理教育：物理赋能智能的人才培养

AI的快速发展不仅正在重构技术体系，也对传统学科教育提出了深刻挑战。在代码大模型与AI智能体的推动下，传统编程的工作方式与能力要求正在被重新定义；随着自动定理证明与形式化验证技术的发展，数学研究与证明的工作范式也在发生变化。当计算机、数学等学科的研究与实践方式加速变革，物理学教育同样亟需主动回应人工智能时代的新需求。

首先，物理教育需要实现工具能力的全面升级。新时代物理人才应主动掌握大模型、科学机器学习、自动微分、符号回归、物理仿真与智能科研工作流等前沿工具，同时夯实智能编程、并行计算、数值优化与数据处理等科学计算基础。教学重点应从单纯“掌握编程工具”，进一步转向“运用计算与人工智能解决前沿物理问题”，推动AI深度融入凝聚态物理、量子信息、核聚变、宇宙学等研究领域，使其成为拓展物理科研能力的重要工具。

进一步，物理教育需要培养兼具物理思维与AI创新能力的复合型人才。物理学在对称性、变分原理、统计机制、尺度分析和可解释建模等方面积累了独特而深厚的思想方法，为探索新一代人工智能提供了重要基础。新时代物理教育应进一步打破物理、数学与计算机学科之间的壁垒，构建交叉融合的课程体系，将物理思想、数学基础与AI技术有机结合，培养能够理解、优化乃至创造新型AI理论与架构的人才，鼓励学生从物理直觉和第一性原理出发，探索突破现有AI范式的新型模型结构、学习机制与训练方法。

与此同时，物理教育还应关注世界模型与具身智能的发展趋势。随着智能系统不断增强对空间、时间、因果关系、系统动力学以及环境反馈的建模能力，其发展与物理学研究真实世界规律的方法日益产生交汇。这要求物理教育进一步强化实验与实践训练，使学生不仅具备理论推演与计算建模能力，还能够理解真实世界中的测量、实验设计与反馈控制，培养贯通“理论—计算—实验”的物理与人工智能交叉人才，为自主科学智能与物理智能等新兴方向提供人才基础。

物理教育当坚守以人为本，着力培育并精进人的物理核心素养；智能工具辅助科研探索，不以技术替代人的思考与创造；凭借人积淀的物理认知突破智能发展瓶颈，构建人机协同、双向赋能的长效发展闭环。

结语

从百年理论溯源到当下的深度融合，物理学与人工智能的跨界融合，早已从简单的灵感借鉴，开始发展为系统化、体系化的全新科研方法论。物理第一性AI是人工智能突破固有瓶颈、走向通用智能的重要途径，也是物理学拓展研究边界、赋能前沿科技的全新方向。未来，随着物理理论的持续深耕与人工智能技术的不断迭代，物理第一性AI有望重塑智能系统的设计、训练与发展范式，开启物理驱动的通用超级智能新时代。

参考文献

[1]Hopfield, John J. "Neural networks and physical systems with emergent collective computational abilities." Proceedings of the national academy of sciences 79.8 (1982): 2554-2558.

[2]Cohen, Taco, and Max Welling. "Group equivariant convolutional networks." International conference on machine learning. PMLR, 2016.

[3]Ho, Jonathan, Ajay Jain, and Pieter Abbeel. "Denoising diffusion probabilistic models." Advances in neural information processing systems 33 (2020): 6840-6851.

[4]Kaplan, Jared, et al. "Scaling laws for neural language models." arXiv preprint arXiv:2001.08361 (2020).

[5]Schr?dinger, Erwin. What is life? The physical aspect of the living cell. Rare Treasure Editions, 2025.

[6]Landauer, Rolf. "Irreversibility and heat generation in the computing process." IBM journal of research and development 5.3 (1961): 183-191.

[7]Silver, David, et al. "Mastering the game of Go with deep neural networks and tree search." nature 529.7587 (2016): 484-489.

[8]Jumper, John, et al. "Highly accurate protein structure prediction with AlphaFold." nature 596.7873 (2021): 583-589.

[9]Noether, Emmy. "Invariant variation problems." Transport theory and statistical physics 1.3 (1971): 186-207.

[10]LUO Di. From symmetry to structure：constructing neural network quantum states from symmetry principles[J]. PHYSICS, 2026, 55(5): 345-351.

[11]Fuchs, Fabian, et al. "Se (3)-transformers: 3d roto-translation equivariant attention networks." Advances in neural information processing systems 33 (2020): 1970-1981.

[12]Luo, Di, et al. "Gauge equivariant neural networks for quantum lattice gauge theories." Physical review letters 127.27 (2021): 276402.

[13]Greydanus, Samuel, Misko Dzamba, and Jason Yosinski. "Hamiltonian neural networks." Advances in neural information processing systems 32 (2019).

[14]Cranmer, Miles, et al. "Lagrangian neural networks." arXiv preprint arXiv:2003.04630 (2020).

[15]Schulman, John, et al. "Proximal policy optimization algorithms." arXiv preprint arXiv:1707.06347 (2017).

[16]Ouyang, Long, et al. "Training language models to follow instructions with human feedback." Advances in neural information processing systems 35 (2022): 27730-27744.

[17]Rafailov, Rafael, et al. "Direct preference optimization: Your language model is secretly a reward model." Advances in neural information processing systems 36 (2023): 53728-53741.

[18]Chen, Zhuo, and Di Luo. "Entangling intelligence: AI-quantum crossovers and perspectives." 2024 IEEE 6th International Conference on Trust, Privacy and Security in Intelligent Systems, and Applications (TPS-ISA). IEEE, 2024.

[19]Biamonte, Jacob, et al. "Quantum machine learning." Nature 549.7671 (2017): 195-202.

[20]Deng, Ken, Xiangfei Wang, Guijing Duan, Chen Mo, Junkun Huang, Runqing Zhang, Ling Qian, Zhiguo Huang, Jize Han, and Di Luo. "Towards verifiable and self-correcting ai physicists for quantum many-body simulations." arXiv preprint arXiv:2604.00149 (2026).

作者简介：

罗迪，清华大学物理系副教授，兼职清华大学高等研究院。此前，他曾任美国加州大学洛杉矶分校（UCLA）助理教授。2021年至2024年间，他担任美国人工智能与基本相互作用研究所IAIFI Fellow，同时是麻省理工学院（MIT）理论物理中心与哈佛大学（Harvard）物理系博士后。2021年，他在伊利诺伊大学厄巴纳-香槟分校（UIUC）获得数学与物理双硕士学位及物理学博士学位。2016年，他毕业于香港大学，获物理学与数学双学士学位。罗迪博士曾在Google Quantum AI, Vector Institute 和 Simon Foundation研究实习。他的研究聚焦在AI+Science和量子计算，包括发展AI和量子算法用于量子材料、高能物理和量子信息的科学模拟和发现，以及利用量子物理和统计物理发展构建AI理论和模型。