写给物理学家的生成模型.pdf

物理与人工智能专题

写给物理学家的生成模型*2024－05－16收到

†email：wanglei@

1，†2DOI：10.7693/w

王磊张潘

(1中国科学院物理研究所北京100190)

(2中国科学院理论物理研究所北京100190)

Generativemodelsforphysicists

WANGLei†ZHANGPan

(1InstituteofPhysics，ChineseAcademyofSciences，Beijing100190，China)

(2InstituteofTheoreticalPhysics，ChineseAcademyofSciences，Beijing100190，China)

摘要科学研究的本质在于创造。生成式人工智能为更有创意的科学探索打开了无

尽的想象空间。作为生成式人工智能的核心，生成模型学习数据样本背后的概率分布，并据

此随机采样生成新的样本。生成模型和统计物理在本质上是同一枚硬币的两面。文章从物理

的视角介绍扩散模型、自回归模型、流模型、变分自编码器等现代生成模型。生成模型在原

子尺度物质结构的生成与设计中展现出巨大的潜力。不仅如此，基于和统计物理的内在联系，

生成模型对于优化“大自然的损失函数”——变分自由能具有独特的优势，这为求解困难的

统计物理和量子多体问题提供了新的可能。同时，物理学的洞察也在推动生成模型的发展和

创新。通过借鉴物理学原理和方法，还可以设计出更加高效、更加统一的生成模型，以应对

人工智能领域中的挑战。

关键词生成模型，统计物理，相对熵，最大似然估计，变分自由能

AbstractTheessenceofscientificresearchisaboutcreation.Generativeartificial

intelligence(AI)hasopenedupanendlessspaceofimaginationformorecreativescientific

research.AsthecoreofgenerativeAI,generativemodelslearntheunderlyingprobability

distributionfromdata,andthenrandomlysamplefromittogeneratenewsamples.Generative

modelsandstatisticalphysicsareessentiallytwosidesofthesamecoin.Thisarticleintroduces

moderngenerativemodelsincludingdiffusionmodels,autoregressivemodels,flowmodels,and

variationalautoencodersfromaphysicsperspective.Generativemodelsdemonstratetremendous

potentialinthegenerationanddesignofmaterialsattheatomicscale.