Keyboard shortcuts

Press ← or → to navigate between chapters

Press S or / to search in the book

Press ? to show this help

Press Esc to hide this help

第 8 讲总结 · AI for Science

本页把导览与 8.1–8.6 压成一张可复习的骨架。用法：先只看「核心问题」列做自问，答不全再读「关键结论」列，最后用「典型陷阱」列校核。

节一览

节核心问题关键结论典型陷阱
8.1 为什么科学适合深度学习科学数据的什么特点决定了它的方法？三类任务怎么分？主要矛盾是标签稀缺而非数据稀缺；三特点 = 结构化先验 / 可验证答案 / 海量弱标注（定义 8.1.1）；三类任务 = 预测（死在分布外）/ 反演（死在约束）/ 发现（死在验证）（定义 8.1.3）；把梯度成本从 2d2d 次前向压到约 3∼43\sim4 次前向，是「科学也能用梯度」的前提（例 8.1.2）把「科学 AI」当成「把大模型套到物理上」；以为数据够多就不需要归纳偏置；把「能反传」当成「梯度可信」
8.2 蛋白质与分子结构预测序列里的什么信息能定出三维结构？端到端方法的关键部件是什么？共进化（同源序列协同突变）携带接触信息，是端到端方法的信息源；但两两互信息分不开「直接接触」与「经由第三位点的传递」（定理 8.2.1）；四个部件 = MSA 与配对表示 / Evoformer 式迭代 / 等变结构模块 / FAPE（方法 8.2.1）；等变管整体位姿、FAPE 管局部几何；RMSD / GDT-TS / lDDT 各管一段、不可互替（定义 8.2.5）以为「折叠问题已解决」；把 pLDDT 当功能正确性的证据；用静态单点结构讨论动态构象与复合物
8.3 分子与材料设计机器学习势函数凭什么快数个数量级？快到哪里就不能信？快的两层来源 = 局部能量分解 E=∑iEiE=\sum_iE_i（代价降到 O(Nk)O(Nk) 的近似线性）+ 一次前向替代一次自洽场求解（定义 8.3.2、例 8.3.2）；力必须由 F=−∇EF=-\nabla E 导出，否则破坏保守性（例 8.3.1）；能力上限 = 训练分布覆盖，适用域声明是交付物（方法 8.3.2）；GNoME 的「新」是对判据敏感的结论（思考 8.3.1）；生成式设计三关 = 有效性 / 可合成性 / 稳定性（定义 8.3.3）拿势函数去跑未覆盖的元素与极端构型；把「生成得像分子」当成「能合成」；把候选数量当成已验证的新材料数
8.4 偏微分方程与仿真加速四类做法各在学什么？PINN 的边界在哪？代理模型学「某参数下的解」、降阶模型学低维子空间、神经算子学算子本身（FNO 频域截断 / DeepONet 分支-主干，定义 8.4.2）、PINN 把方程残差写进损失（定义 8.4.3）；PINN 在反问题与稀疏数据上有效、在正向高精度上常不敌成熟求解器，机制是损失项梯度病态与 NTK 特征值不平衡（方法 8.4.2）；可微分仿真的梯度必须先做数值校验（h⋆∼ε1/3h^\star\sim\varepsilon^{1/3}，例 8.4.4）以为 PINN 是「不要数据的通用求解器」；以为「残差下降 = 解对了」；把「加速」与「可微」混成一件事
8.5 气候与地球科学数据驱动预报与数值模式是什么关系？多步预报为什么会崩？传统管线四段 = 资料同化 / 动力核心 / 物理参数化 / 集合与后处理（方法 8.5.1），参数化是混合路线最自然的落点；与物理模式的关系分替代 / 混合 / 加速（方法 8.5.3）；核心困难是多步误差累积与训练—推理分布差异（ek+1≈JFek+δke_{k+1}\approx J_{\mathcal F}e_k+\delta_k，定义 8.5.2）；评测必须写清口径、RMSE 与 ACC 并列（例 8.5.3）把「秒级出报」当成「预报更准」；用单步误差代替多步表现；用平均指标掩盖极端事件与长时效
8.6 科学发现的范式：拟合与理解能预测就等于掌握机制吗？AI 在工作流里站哪个位置？「理解」分三层：预测性 / 机制性 / 可干预性（定义 8.6.1）；外推三判据 = 分布外 / 尺度 / 干预（定义 8.6.2）；AI 辅助发现 = 搜索 + 验证器，验证器硬度决定产出能否被接受为发现（方法 8.6.2）；AI 强在生成与筛选、弱在结论判定（方法 8.6.4）把榜上分数当外推证据；把 AI 提出的表达式当定律；用同一个模型（或同一批数据）验证自己的输出

一条主线：因为科学的每一次试错都贵得离谱（8.1 的三特点 → 标签稀缺），所以要把「实验试错」换成可微分推断；这需要两把钥匙——把先验写进结构（对称性 → 8.2 的等变与 FAPE、局部性 → 8.3 的局部能量分解、几何一致性与方程 → 8.4 的算子与残差损失、守恒 → 8.5 的三类关系）与把过程变可微（端到端结构预测、F=−∇EF=-\nabla E、可微分仿真、把方程写进损失）。但梯度只在它被验证过的范围内可信（势函数的适用域、PINN 的软约束、仿真器的不可微点），所以六节最终都收在同一个问题上：它在哪个范围内可信、我用哪条独立证据证明它没有越界（8.6 的外推三判据 + 决策表）。

三句话带走

  1. 免费标签不是无代价标签。 结构、物理与方程确实能造标签（方法 8.1.1 的三张配方），但误差会从标注者转移到生成器：DFT 的泛函误差、仿真的近似、数值格式的离散误差都会进训练数据——所以验证必须来自独立来源（实验 / 观测 / 更高精度计算）。
  2. 先验是外推的唯一凭据。 等变网络在新朝向下自动正确、局部能量分解对更大体系自动成立、守恒约束不让误差在守恒方向累积；反过来，只有大数据而没有物理先验的模型，外推行为完全由数据覆盖决定——分布内无敌，分布外没有理由正确。
  3. 把「形成候选」与「判定结论」分开。 模型强在生成与筛选，判定需要外部世界的反馈（实验、观测、形式证明）。分布内筛选可以当计算器，分布外只能当假设生成器，安全 / 健康 / 环境决策必须回到实验与专业评审（方法 8.6.4）。

值得记住的六个可复算数字

数字值口径（必须连着说）
有限差分 vs 反向传播2d=2×1062d=2\times10^{6} 次前向 vs 约 3∼43\sim4 次前向，差约 5×1055\times10^{5} 倍d=106d=10^{6} 个参数、中心差分、忽略常数（例 8.1.2）
估一次梯度的墙钟≈107\approx10^{7} 秒 ≈116\approx116 天单次前向 0.50.5 秒、d=107d=10^{7}（即时自测 8.1 Q3）
小 MSA 的互信息MI(1,2)=1.000\mathrm{MI}(1,2)=1.000 bit；MI(2,3)=MI(1,3)=0.311\mathrm{MI}(2,3)=\mathrm{MI}(1,3)=0.311 bit4 条序列、3 个位点、二元符号（例 8.2.1）
势函数加速与总账单点 103∼10610^{3}\sim10^{6} 倍；10610^{6} 步 MD 从约 116 天降到约 17 分钟DFT 单点 101∼10310^{1}\sim10^{3} s、势函数前向 10−4∼10−210^{-4}\sim10^{-2} s（例 8.3.2）
FNO 一层参数量32×32×12×12×2=294,91232\times32\times12\times12\times2=294{,}912d=2d=2、cv=cw=32c_v=c_w=32、每维 12 个模式、实虚两份（例 8.4.1）
误差翻倍时间g=1.05→3.5g=1.05\to3.5 天；g=1.02→8.75g=1.02\to8.75 天；g=0.98g=0.98 则衰减（半衰期约 8.5 天）步长 6 小时、只计已有误差的传播（例 8.5.1、即时自测 8.5）

复习路线

  • 当天：遮住上表右侧两列，只看「节」与「核心问题」复述一遍；卡在 8.2 就回定义 8.2.2 与 定义 8.2.4，卡在 8.5 就回定义 8.5.2。
  • 隔天：闭卷手写三条——不变 / 等变的定义式、ek+1≈JFek+δke_{k+1}\approx J_{\mathcal F}e_k+\delta_k 与翻倍步数 ln⁡2/ln⁡g\ln2/\ln g、h⋆≈(3ε/M)1/3h^\star\approx(3\varepsilon/M)^{1/3}；写不出回回忆卡 C 组。
  • 第 3 天：做习题集 C 组，逐条跑通验收标准；把不过的验收标准当成「哪一环没接通」的证据（力不自洽？梯度不可信？参数量对不上？）。
  • 第 7 天：综合自测卷 闭卷计时一次，错题按漏点定位表回查，并把「涉及科学结论」的题重做一遍——凡是只写「拟合得好」而没写可验证判据的，一律按未通过计。

与后续的连接