Aron Walsh：从“解方程”到“让智能体搜索”，材料设计的路是怎么换的

机器学习是量子力学的替身：同样的预测，毫秒而不是几天

他的出发点是：描述化学的方程早就有，但解不了，一个世纪都在做近似。机器学习用一个学出来的函数代替解方程，大规模量子力学计算要几小时到一周，训练好的模型推理只要毫秒，所以他说“回不去了”。他强调预测部分：要的是一个能做有用事情的模型，不只是拟合数据。他举的例子是钠离子电池的固态电解质和钙钛矿太阳能电池的室温行为，都是靠这类模型才能模拟得动。

“once you start to do machine learning it's very difficult to go back to quantum mechanics to be honest.”Aron Walsh

怎么把化学写成数字，比用哪种模型更关键

他认为输入向量怎么编码化学信息是关键。十年前是手工构造的特征（Magpie：每个元素一个向量，每一项有物理含义，如原子序数、熔点）；现在是学出来的表示，例如用一百万篇材料论文摘要训练的词向量。他的组还做过一个对齐实验：用一组参考材料作“锚”，把几个架构和训练数据都不同的模型的表示映射到同一个空间，一致程度比他预期的好。他据此说，不同模型各自学到了拼图的一块，可以在模型之间翻译信息。

倒推设计：先扩散，再进潜空间，加上强化学习，然后防它作弊

晶体要用原子种类、位置和重复单元三部分表示，一部分是类别、一部分连续，建模很别扭。他说生成式模型第一次让“按目标性质倒推材料”可行：他们的第一版用文字和图神经网络对比学习做条件，再用去噪扩散生成，他说在这样的成分空间里做搜索，五年前相当于一篇博士论文，现在一天就能跑完，部署时在笔记本上就能采样。后来为了追上微软的 MatterGen，换成变分自编码器的潜空间，加强化学习；单用潜空间比实空间差，加上强化学习就“非常好”，前提是约束和评估写得很具体，否则模型会找漏洞、只给同一种材料的微小变体，他们花了很多功夫让输出足够多样。

“the models cheat whenever they can.”Aron Walsh

漏斗有效但浪费；他想要的是边搜边选的智能体

他把现在常见的做法叫漏斗：把一百万种材料放进去、做大量计算，最后可能只出来两个候选。他说这是可行的，不优雅。用这种方法，他说韩国一位合作者的组合成了 12 种以上以前没有的层状晶体（对应论文写的是 10 种，其中只有 2 种来自筛选新预测的化合物），例如从一种含镓、砷的三元晶体里去掉一个组分，得到不同于天然形态的层状镓砷化合物（论文里是去掉钠或钙，仍含少量质子或残留阳离子）。他想去的方向是科学智能体：能调用量子力学计算、机器学习替身和生成模型，并根据反馈改进，“不必把整个空间算完”。

CuspAI 和物理世界：他承认还没讲深

他今年加入的 CuspAI 在做材料发现的智能体平台，由 Chad Edwards 和 Max Welling 创办，伦敦办公室 1 月 2 日是他们两个人，现在约 15 人，有计算机科学家、机器学习专家和他这样的化学家、物理学家。物理世界这一半他说“没有时间讲深”，只讲了他参与的 DIGIBAT：英国研究理事会（UKRI）出资的机器人电池平台，造材料、组装电池、测试，2025 年夏天完全投入运行，正在做一轮公开电池数据的采集，对比人类专家和自动化系统的学习速度。