量子实验的主线一直是人类提出构想、工程团队落地实现。就在最近，发表在《Nature》期刊上的综述论文《利用人工智能设计物理实验》，系统梳理了AI如何从仅仅优化几个参数，走向完全自主提出全新的实验方案。
在量子领域，这一变化已经出现了早期结果。算法曾自动发现新的光子量子实验，后来，部分方案在实验室得到实现。相关方法还被用于量子态制备、量子计量、量子通信协议和超导量子电路设计。
论文把AI设计物理实验拆分为四大核心问题：如何构建有效的实验搜索空间、如何搭建高速可靠的物理仿真器、如何把科学诉求转化为可计算目标函数，以及如何开发适配复杂场景的AI探索算法。
这四个问题，构成了AI驱动实验设计的四个前沿，决定了AI是否能从优化工具升级为实验设计工具。
图：AI设计物理实验的四大前沿
构建搜索空间
选择算法不是AI设计实验的第一步，决定算法可以搜索什么才是。
如果给定量子光学领域十个基础的干涉仪组件，它们能够组合出的实验拓扑结构将超过十亿种。即使是极小的组件空间，也足以涵盖该领域内人类设计过的所有实验。因此，让AI有效介入的前提是，人为设定一个能够匹配现有计算资源的“搜索空间”。
在宏观操作上，构建搜索空间分为三个关键步骤。
首先是实验组件的选择。这里的一个重要考量是组件之间是否存在物理交互。例如在量子光学中，分束器、反射镜和压缩器共同作用于一个量子态，这种相互作用能够衍生出丰富的组合，有利于AI发现全新的量子测量方案。而在中微子探测器或射电望远镜阵列中，各个光学模块或天线往往独立运作，此时的创新点更多来自于高维度的几何排列与工程约束。
其次是拓扑空间的界定，也就是组件排列组合的规则设定。在实际操作中，研究人员通常会在四种模式中做出取舍。
第一种是固定拓扑，组件位置不可变动，AI仅需调整参数，这多用于工程约束极强的大科学装置；第二种是参数化拓扑，组件的排列可以通过连续参数（如坐标位置）进行平滑移动；第三种是槽位拓扑，系统预设好离散的网格或图节点，AI决定在哪个空位放入什么组件，这种模式赋予了系统动态增减规模的能力；
第四种则是“过完备”拓扑。在这一模式下，研究人员会先扔给AI一个庞大、包含冗余组件的超级模板，随后AI通过连续优化，在这个超级模板中提纯、蒸馏出极简构型。这种方法在引力波探测器和超分辨显微镜的设计中已经展现出了惊人效能。
最后一步是参数空间的标定。将某些参数固定，固然能降低AI的摸索难度并保证现实可制造性，但也扼杀了发现部分更优解的可能。反之，如果赋予反射率、激光功率或介电常数等参数很大的自由度，并在制造工艺允许的阈值内进行深度探索，AI通常会能给出现有工艺下性能爆表的设计。
图：搜索空间工程的三个步骤
物理模拟器
构建搜索空间后，如何不耗费大量资金搭建实体硬件并能高效验证这几十亿种实验方案成为下一个核心问题。这就需要依赖物理模拟器。
它们通过求解薛定谔方程或麦克斯韦方程来推演实验结果。与依赖海量静态数据的传统深度学习不同，实验设计中的AI可以按需调用模拟器，主动决定接下来要测试哪个实验。
此时，模拟器的计算速度直接决定了探索的边界。当AI对设计进行千万次迭代请求时，传统模拟器往往会成为算力瓶颈。为解决这一痛点，机器学习代理模型被大量引入。
研究人员通过训练神经网络来逼近真实模拟器的输出结果。虽然代理模型必然存在一定的物理近似，但它能带来指数级的速度提升。
考虑到AI极擅长利用代理模型的误差来骗取高分，研究人员通常会将代理模型的活动范围限制在已验证的“信任区域”内，或者随着AI探索的深入，不断将新生成并经过真实模拟器验证的高质量数据喂给模型，进行持续的迭代重训。
除了代理模型，自动微分技术的引入也很重要。许多传统物理模拟器本身包含大量的随机过程和复杂的分支逻辑，如果用传统数值方法求导，效率极低。如今，不少科研团队选择利用JAX或PyTorch等现代微分框架，从底层重写物理模拟器。
自动微分也不是万能的，当仿真当中存在蒙特卡洛随机采样、条件分支逻辑时，计算出来的梯度有可能存在误导性，优化前必须完成梯度行为校验。
除此之外，即时编译、硬件加速、向量化并行等工程手段，也能够进一步拉高仿真的运算吞吐，支撑高维空间的大规模搜索。
图：面向优化流程的物理模拟器加速策略
目标函数
机器再聪明，也无法理解人类口语化的“我想要一个灵敏度极高的探测器”。把科研诉求翻译成AI能读懂的“目标函数”，并由此在搜索空间中铺设出一张“质量曲面图”，是决定实验设计成败的第三道关卡。
在多数情况下，目标函数以标量形式呈现。它通常是一系列指标的加权总和，其中包括核心科学目标以及相互制约的工程惩罚项。
例如在量子态制备任务中，核心项是“目标匹配度”，即AI设计的输出结果与理想量子态之间的差距；而在寻找未知物理量时，常涉及“信息最大化”项，如利用费舍尔信息量促使探测器保留最多的粒子能量线索。
工程上的约束同样需要体现在函数中。如果AI设计出的引力波探测器激光功率大到足以烧穿反射镜，或者核聚变仿星器的线圈复杂到现实车间无法制造，那么这个方案就是废纸一张。
因此，“可行性项”和“鲁棒性项”被大量整合进函数中。前者对超出工艺极限的参数施加数值惩罚，后者则通过蒙特卡洛评估，确保超导量子电路或光学镀膜在面对现实世界不可避免的制造误差时，依然能保持性能的稳定。
在更复杂的大型物理实验中，目标函数往往是向量化的。
图：标量目标函数与向量目标函数
以高能粒子探测器为例，测量粒子动量的精度与轨迹重建的效率天生互斥。此时，目标函数定义的是一个多目标的帕累托前沿——在这个边界上的每一个方案，要提升某一项性能就必然牺牲另一项。
这就要求计算系统不能简单的给出一个唯一解，更要给出完整的不同权衡下的优质方案池，再交给研究人员进行最终的技术决断。
AI探索算法
在搜索空间、模拟器、目标函数全部搭建完成后，最后一步交给AI探索算法完成候选方案搜索。连续探索、离散探索以及结果简化都是这一过程中需要面对的挑战。
对于连续问题，Adam等梯度优化器效率高，能够处理大规模参数，但容易停留在起点附近的局部最优。贝叶斯优化、进化算法和群体智能方法不依赖梯度，更有机会进行全局探索，但在高维空间中的计算代价较高。实践中，研究团队通常是组合使用多类算法，例如先用贝叶斯优化寻找有潜力的区域，再用梯度方法精细优化。
如果算法需要做元器件的增删、不同拓扑架构切换，就需要离散探索。生成式模型和强化学习系统是离散探索的主流路线。
尤其是在量子协议与线路的设计中，强化学习智能体能够通过序列化放置组件来设计离散拓扑；而通过引入“小工具”学习机制——即让AI在探索中自己发现并记下那些实用的模块组合并在后续设计中反复调用，探索速度实现成百上千倍的提升。
然而，现实当中绝大多数从零开始的实验设计任务，既有离散的组件选择（用还是不用、用哪种），又有连续的参数调整（放多远、功率多大），都是离散-连续混合问题。
目前主流有两套解决思路，第一种是嵌套循环，外层循环完成离散拓扑筛选，内层循环针对选定拓扑做连续参数优化。第二种是混合算法，依靠过完备模板，把离散拓扑选择，转化为连续权重优化，直接实现混合空间搜索。
这里还有一个非常现实的工程问题，AI直接输出的方案普遍存在大量冗余元器件，也就是过参数化。因此，化简成为必不可少的步骤。
图：AI探索物理实验的主要挑战与算法
化简主要分为集成式化简和迭代化简。
集成式化简是在优化过程中直接让部分元器件权重归零；迭代化简则是优化完成后，循环删减冗余元器件，每删减一轮就重新优化参数，直到性能出现不可逆下跌，以此实现兼顾性能和复杂度的可落地实验。
写在最后
目前，AI驱动物理实验设计已经不再停留在理论层面，比如量子光学领域已经实现AI设计、实物搭建、观测新物理效应的完整闭环。
但整个方向仍然存在着大量待解决问题。具体来看，跨物理领域的通用模拟器还处于雏形阶段，大语言模型在实验设计中的应用还停留在概念验证阶段，AI生成复杂方案的可解释性依旧是最大痛点。
不过，论文也提出一个值得思考的观点：AI不是用来替代物理学家，而是改变科研人员的角色。过去物理学家主要负责构思实验架构，未来科研人员更多承担体系统筹工作，定义搜索边界、科学目标，核验AI输出结果，解读AI发现的反直觉物理机制。
AI不会直接产出科学结论，但它能够突破人类直觉的边界，开辟一批人脑很难构思出来的全新实验方案，这或许会成为基础物理，尤其是量子科学接下来非常重要的新范式。
https://www.nature.com/articles/s41586-026-10898-6
