导语

长久以来，物理实验的诞生，依靠的是顶尖物理学家的灵感、经验与直觉。人类构思实验方案，搭建装置开展观测，以此向宇宙抛出一个个科学问题。而如今AI不再仅仅是处理实验数据的工具，它已经跨越数据分析的边界，开始独立设计完整的物理实验布局。它跳出人类固有的设计惯性，产出部分性能优于人类方案、却难以被人类直觉理解的实验构型。这篇发表于 Nature 的综述系统拆解了AI设计物理实验的完整技术链条，提出四大核心研究命题，梳理当下进展、现实瓶颈，同时畅想了 “从头设计” 时代，AI辅助人类检验基础物理理论的未来图景。这并不意味着物理学家将被取代，而是科研范式的转向。人类科学家将从实验方案的直接设计者，转变为智能探索流程的统筹者。

关键词：人工智能（Artificial intelligence，AI）、物理实验设计、从头设计（de‑novo discovery）、搜索空间、物理模拟器、目标函数

论文题目：Designing physics experiments with artificial intelligence

论文链接：https://doi.org/10.1038/s41586‑026‑10898‑6

发表时间：2026年9月3日

论文来源：Nature Review

物理实验是人类向宇宙发问的载体。从经典力学的斜面实验，到当代引力波探测器、量子光学平台，绝大多数实验构想，都诞生于科研人员的大脑。但所有可能的实验组合构成的空间浩如烟海，仅仅依靠人类的经验与直觉，很可能会错过大量性能优异、却违背固有认知的实验方案。

近年来，AI已经不再局限于调试几组有限的实验参数，而是可以直接生成整套全新的实验架构。这篇综述把整套技术框架拆解成四大相互关联的前沿问题：如何构建具备充分表达能力的搜索空间？如何搭建高速、可靠的物理模拟器？如何把科学研究目标转化为可计算的目标函数？如何研发适配离散、连续混合设计选择的 AI 探索算法？这四大维度构成一条光谱，一端只是简单的参数微调，另一端就是完全的从头设计，同时需要不断权衡计算可行性、实验可实现性、结果可解释性与方案可靠性之间的矛盾。

AI 设计物理实验的四大核心技术链条

1. 搜索空间是全部工作的起点。从组件、拓扑、参数三个层面完成空间工程化构建。首先选定可供调用的实验硬件组件，区分存在物理耦合交互的器件与彼此独立的阵列类组件，组件越丰富创新潜力越大，但也会加重计算负担，还容易生成工程不可实现的方案。其次定义拓扑空间，一共分为固定、参数化、槽位式、过完备拓扑四类。最后限定各个可调参数的合理取值区间，参数边界必须贴合现实制造工艺。一个合格的搜索空间，必须能够复现已有的人类经典实验。

2. 物理模拟器充当AI的数字试验台。它通过求解基础物理方程，零样本地虚拟推演海量候选实验的输出结果。模拟器的仿真保真度至关重要。算法会利用模拟器的微小漏洞，生成仿真效果好看、实物却失效的虚假最优解，因此AI输出的设计必须经过人工核验才可落地。同时模拟器往往是算力瓶颈，主流加速手段包含机器学习代理模型、自动微分两大路径，也可以结合即时编译、硬件加速、向量化并行等技术降低运算开销。

3. 目标函数将抽象的科学诉求转化为可计算的量化评分，在搜索空间之上构建出实验的“质量曲面”。它分为标量与向量两类。标量目标函数加权整合多项指标，由核心目标项与约束惩罚项组成，核心目标包含目标匹配、信息最大化、性能最大化，惩罚项用来保障可行性与鲁棒性。向量目标函数不强行合并指标，生成帕累托前沿，保留多组权衡不同性能的候选方案，交由研究者结合现实条件筛选，规避加权带来的信息丢失。

4. AI探索算法在复杂空间迭代寻找高性能实验构型。物理实验设计大多属于离散、连续混合问题，既要处理镜片曲率这类连续参数，也要处理器件增删这类离散拓扑选择。连续探索可采用梯度类算法做局部精细优化，或是贝叶斯优化、进化算法等无梯度算法做全局搜索，实际项目经常将二者结合。离散探索依靠生成模型、强化学习，还可以借助小功能单元学习复用标准化模块提升效率。针对离散、连续混合难题，可采用嵌套循环，或是过完备模板将问题转化为连续优化。AI能否辅助这一流程，也是当下开放的研究方向。AI输出的设计常常带有大量冗余器件，需要做方案简化，分为集成式简化与迭代式简化两种模式，但实现完全自动化的简化解读，依旧是尚未攻克的难题。

展望从头设计的未来：AI作为基础物理的试验台