如果人工智能系统能够提出一种新材料的配方，这种材料在室温下导电且电阻为零——这对量子计算和下一代电网来说是圣杯，那会怎样？

这就是研究人员正在努力实现的前景，他们使用新工具将大型语言模型与物理定律联系起来，确保他们的建议不仅在文字上看起来合理，而且在实验室中也确实有效。

在麻省理工学院，科学家们引入了SCIGENSCIGEN 是一个旨在引导生成式人工智能设计具有奇异特性的材料的框架。该系统可以提出候选化合物，例如，这些化合物可能表现出拓扑相、异常磁性或在比目前已知材料更高温度下表现出超导性。与经常产生不可能分子的常规人工智能方法不同，SCIGEN 整合了物理和化学先验知识，使生成过程扎根于现实。

这是一个令人兴奋的方向，原因如下：潜在材料的空间巨大无比，而反复试验的探索过程缓慢且成本高昂。麻省理工学院的研究人员认为，通过将生成模型与科学约束相结合，科学家可以更高效地探索该领域中充满希望的区域。

该团队在公告中表示：“人工智能无需手动筛选数千种假设化合物，而是可以生成新颖且物理可行的候选化合物并进行排序。”

三星研究人员也从不同的角度探讨了同样的问题。这家科技巨头最近发表的论文“将材料发现的推理法学硕士与物理感知的拒绝采样相结合”，描述了一种称为 PaRS 的方法。

PaRS 并非预先引导生成，而是过滤大型语言模型产生的推理轨迹，丢弃任何违反已知物理定律或超出经验界限的推理轨迹。该方法提高了准确性，并减少了量子点 LED 等设备配方测试中的“物理违规”。

SCIGEN 和 PaRS 合在一起体现了一种更广泛的趋势：“面向科学的物理感知 AI”。生成模型可以想象人类研究人员可能从未考虑过的结构，但如果不加以控制，它们往往会产生无意义的结果。通过嵌入领域约束（无论是通过引导生成还是拒绝采样），这些新系统旨在确保创造力与现实紧密相连。

其回报可能十分深远。在量子计算领域，拥有稳定量子相的奇异材料对于构建可扩展的量子比特至关重要。在能源领域，新型催化剂可以使制氢更加清洁、成本更低。在电子领域，新型半导体有望突破硅的极限。即使SCIGEN或PaRS能够帮助发现哪怕是少数几个可行的候选材料，其影响也可能波及整个行业。

目前，这两种方法仍处于早期研究阶段。SCIGEN 在生成与理论预测一致的候选材料方面表现出了良好的前景，而 PaRS 则降低了设备性能预测的错误率。但这种结合——既能提出材料方案，又能严格筛选材料的人工智能系统——预示着未来，加速发现的不是运气，而是机器引导的设计。