【华泰科技】AI for Science:科学探索的新范式

（以下内容从华泰证券《【华泰科技】AI for Science:科学探索的新范式》研报附件原文摘录）
　　如果您希望第一时间收到推送，别忘了加“星标”！ AI for Science 是指以机器学习、深度学习等人工智能技术分析处理多维度、多模态、多场景下的模拟和真实数据，解决复杂推演计算问题，加快基础科学和应用科学的发现、验证、应用，打造下一代科学范式。AI for Science 作为人工智能工程化应用落地的重要路径，是筑基中国智能经济底座的关键组成部分。其在 Micro-Science 领域的应用主要包括生物制药、材料研发和前沿物理方向。自 2018 年 DeepMind 提出 AlphaFold 模型，我们看到在其他重点科学技术领域上突破包括：1）量子，AI 技术优化量子系统软硬件设计，提升量子计算、量子通信、量子精测测算等应用的效率与准确性；2）核聚变，通过 AI 深度强化学习精准调控核聚变控制过程，降低开发周期；3）材料科学，AI 大模型广泛应用于材料理化性质预测、结构筛选、建模仿真等层面，加快新材料的研发速度和效率。 核心观点 AI+量子：优化系统软硬件设计，提升量子技术应用的效率与准确性 据 WFE 数据，2022 年全球对量子技术研发的投资总额达 355 亿美元。AI技术对量子系统的优化包括采用不同的监督和无监督学习算法解决量子多体问题、重建高维量子系统的密度矩阵、促进自校准量子传感器的发展等。从具体应用划分来看，1）量子计算方面，AI 可用于优化量子计算的硬件和软件算法设计；2）量子通信方面，AI 可用于训练生成量子通信协议；3）量子精密测量方面，AI 可用于提高基于金刚石量子精密测量技术的纳米核磁共振二维谱探测效率。2020 年 10 月，清华大学交叉信息研究院邓东灵研究组与北京大学张亿研究组合作，首次把强化机器学习的方法引入到量子编译中，实现了优化量子编译线路的普适算法，大幅优化现有编译方案。 AI+核聚变：精准调控核聚变控制过程，有效降低开发周期 托克马克装置的控制过程具有非线性、实时变化、多变量等特点，不仅需要大量的工程、设计和专业知识，同时还要进行复杂的平衡估计来实时计算调控的电流。传统的计算机模型和模拟方式不一定能够优化该过程，精确性也无法保障。而通过强化学习设计的磁性控制器，可自主学习设计整个控制线圈的电流，既可以满足苛刻的物理操作约束条件，也能够实现稳定的输出控制，减少了磁约束控制器的开发周期。2022 年 2 月 16 日，人工智能公司DeepMind 和瑞士洛桑联邦理工学院的研究团队，通过与托卡马克模拟器的互动学习生成控制策略，直接在硬件上运行，不仅实现对等离子体平衡的基本品质的精确控制，同样具备复杂配置能力。 AI+材料科学：逆向设计是 AI 助力材料研发创新的主要范式 新材料“发现/设计-开发-制造-应用”完整周期需耗费 10-20 年时间，存在较大的应用和投资风险。借助 AI 大模型，研究人员根据所需性能逆向推导目标材料的组成成分、结构和流程工艺的逆向设计方式已经成为 AI 助力材料研发创新的主要范式。此外，机器学习强大的预测性能，在材料科学各层面已有广泛应用，例如：1）高效材料特性预测的代用模型开发；2）使用变异自动编码器 VAE 和生成对抗网络 GAN 的生成性材料设计；3）通过将实验设计算法与自动机器人平台结合，实现自主材料合成；4）深度学习用于原子尺度材料成像数据的精确表征。美国企业 QuesTek（未上市），Citrine（未上市）以及国内的深势科技（未上市）、鸿之微科技（未上市）、机数科技（未上市）、迈高材云科技（未上市）等在该领域均已有布局。 风险提示：AI 及技术落地不及预期；本研报中涉及到未上市公司或未覆盖个股内容，均系对其客观公开信息的整理，并不代表本研究团队对该公司、该股票的推荐或覆盖。 正文 AI for Science：人工智能助力科学探索的新范式 AI for Science 是指以机器学习、深度学习等人工智能技术分析处理多维度、多模态、多场景下的模拟和真实数据，解决复杂推演计算问题，加快基础科学和应用科学的发现、验证、应用，打造下一代科学范式。如下图所示，AI for Science主要包括：（1）蛋白质结构分析等生物制药,（2）新材料研发，（3）核聚变等前沿物理，（4）气候预测等地球模拟和天文探索，（5）飞机引擎，汽车动力结构，建筑等工业设计等领域。 具体来说，在量子物理领域：人工智能赋能量子物理主要包括量子态模拟和优化、量子态重构、量子控制和优化等应用，这些环节往往在极短时间内就产生大量数据，而人力识别需要耗费大量的时间成本，因此需要 AI 来建立仿真模型，实时处理实验数据。在能源科学领域：涵盖材料设计、能源系统优化、智能电网、能源储存与转换以及节能环保等方面，特别是在核聚变方面，AI技术可以挖掘数据中的模式和趋势，提供对核聚变过程的精确建模和预测，还可以通过智能化的控制策略和自适应优化方法，提高核聚变设备的性能和效率。在材料科学领域：材料研发技术流程与药物研制类似，涉及材料理化性质预测、结构筛选、建模仿真与高性能算力支持等。IDC认为在基于人工智能技术的材料智能搜索中，AI 帮助在庞大的搜索空间中寻找最佳配比，优化预测和设计新材料的体系，另外，AI 也可以采集学习实验失败数据，有效提高模型精度和数据利用率。在生命科学领域：AI为研究人员提供了强大的工具和方法来处理和分析大规模的生物学数据，包括解读基因组数据和预测基因功能、预测蛋白质的三维结构和加速药物发现过程、医学影像分析和病理学诊断、建立个体化医疗模型和提供定制化医疗方案等。 各国相继出台AI for Science政策措施，要求加快人工智能促进科学研究创新发展。具体来说，中国发布了《“十四五”国家信息化规划》（2021）《量子安全技术白皮书（2022年1月修订版）》（2022）《“十四五”数字经济发展规划》（2022）等政策，大力加强基础科学、前沿科学和应用基础研究。美国发布《国家量子倡议(NQI)法案》（2018）《美国量子网络战略构想》（2020）支持AI在量子物理领域的研究，发布《材料基因组计划战略规划》（2021）和《国家生物技术和生物制造计划》（2022）分别支持AI在材料科学和生命科学领域的应用。英国发布《国家量子战略》（2023）《迈向聚变能源：英国聚变战略》（2021）《生命科学产业战略》（2017），提及推动AI在量子物理、核聚变、生命科学领域的应用。此外，日本发布了《量子未来社会愿景》(2022)，并公布了首个核聚变能源开发战略方案。 AI+量子：优化软硬件设计，提升量子技术应用的效率与准确性 量子科技已成为全球各国科技政策布局与市场投资热点，据WFE数据，2022年全球对量子技术研发的投资总额达355亿美元。市场普遍认可量子科技发展通过减轻算力束缚对AI大模型发展的促进作用，我们认为AI技术同样可用于量子系统的深入研究，如采用不同的监督和无监督学习算法解决量子多体问题、重建高维量子系统的密度矩阵、促进自校准量子传感器的发展等，反向推动量子科技实现突破。目前，业界和学术界均已实现AI技术在量子计算、量子通信以及量子精密测量三大量子信息技术领域的应用。 量子计算方面，AI可用于优化量子计算的硬件和软件算法设计。1）硬件是量子计算应用的基础，面临的挑战之一便是如何提升量子比特质量。由于量子比特的特殊性质，量子计算机容易受到环境噪声和量子退相干的影响，导致计算错误，AI技术可以通过深度学习算法来学习和识别错误，从而优化量子计算中的错误纠正。2）解决实际问题，离不开云平台、软件和算法的发展。AI技术在量子计算的软件的应用包括设计和优化量子算法、量子编译器、量子仿真等。例如，通过机器学习技术训练神经网络可以设计更高效的量子算法，使用遗传算法可以优化量子算法的参数。 英伟达（NVDA US）将量子计算机与现代科学计算生态系统无缝集成，CPU、GPU、QPU将会集成到一个混合云系统中，以智能和协调的方式工作。QPU永远不会取代经典计算，而是被视作某些特殊应用的加速器，即没有QPU就无法有效运行的量子算法。大多数人和企业现在或将来都不需要拥有自己的量子计算机，未来的计算世界将是混合的，CPU、GPU、QPU会集成到一个混合云系统中，量子计算机将在云端访问。混合算法将根据需要在 CPU、GPU 和QPU上无缝运行，但这个过程必须是智能和协调的，QPU只应该在被需要的时候调用。 英伟达推出CUDA Quantum和DGX Quantum，致力于无缝集成 CPU、GPU 和 QPU，并用CPU和GPU提高QPU的性能。CUDA Quantum是一个混合量子-经典编程平台，DGX Quantum是一个集成了量子与 GPU 超级计算的系统，具备如下特点：1）将量子与 GPU 超级计算紧密集成；2）量子比特不可知——支持不同的量子比特模式；3）GPU-QPU延迟降低1-2个数量级，从而使GPU加速进行量子纠错，并实现更快的校准、实时控制和混合算法的使用；5）可扩展支持更多GPU和更大的QPU。 量子通信方面，AI可用于训练生成量子通信协议。现阶段量子通讯协议的设计和优化依然停留在人工处理的阶段，从研发到实验验证时间周期长、成本高，引入AI技术搭建系统化模拟平台可有效缓解该问题。2021年2月，百度量子机器学习平台量浆新增分布式量子信息模块LOCCNet，支持量子纠缠蒸馏、量子态分辨、量子隐形传态等核心量子信息协议的便捷开发。基于量浆搭载AI量子通信模拟平台不仅可以训练出传输单量子比特量子态的量子隐形传态协议，还可以训练出适用于多量子比特情形下的隐形传态协议，大大提升量子通信协议的开发效率。 量子精密测量方面，AI可用于提高二维纳米核磁共振谱的探测效率。核磁共振是目前少有的对人体没有任何伤害的安全、快速、准确的临床诊断方法，在结构生物学和临床医学上具有广泛应用，金刚石氮-空位（NV）色心作为一种出色的量子传感器，可以实现纳米级甚至单分子中的核磁共振。然而，必须使用高效的数据积累和处理方法，才能以高空间分辨率的氮空位传感器实现纳米尺度二维核磁共振谱。2020年9月，中科大微观磁共振重点实验室杜江峰团队与爱荷华大学巫晓东教授合作，利用深度学习算法成功将基于金刚石量子精密测量技术的纳米核磁共振二维谱的探测效率提高近一个量级。采用深度学习算法后，可以从少量的信息中提取复杂的纳米核磁谱线信息，从而大大提高实验测量效率。 AI+核聚变：精准调控核聚变控制过程，降低开发周期 核聚变是指将两个轻核聚合成一个重核的过程。在这个过程中，轻核融合在一起并释放出巨大能量。由于核聚变需要极高温度，一旦某一环节出现问题，燃料温度下降，聚变反应就会自动中止，因此AI在核聚变中的应用十分重要。目前我们看到：1）模拟和预测：AI可以用于模拟和预测核聚变反应的行为。通过对已知反应的数据进行训练，可以开发出能够预测和优化核聚变反应的AI模型。2）实时监测和控制：通过使用机器学习算法，可以从传感器数据中提取有用的信息，例如温度、压力和辐射水平，并用这些信息来控制反应堆的运行参数。这有助于确保反应堆在安全的条件下运行，并优化反应堆的性能。3）数据分析和处理：通过使用机器学习算法，可以从数据中发现聚变反应隐藏的模式和趋势。4）聚变反应堆设计：通过使用机器学习算法，可以优化反应堆的几何形状和运行参数，以提高聚变反应的效率和稳定性。 在核聚变过程中存在“托卡马克磁控制问题”。托卡马克装置的作用是可以长时的约束高温的等离子体，让核聚变的反应可以持续并可控。为了优化等离子体的稳定性、封闭性和能量排放，需要在托卡马克内设计反馈控制器以精确控制磁耦合的线圈来操纵磁场，以达到理想的等离子体电流、位置和形状。这个问题也就是著名的“托卡马克磁控制问题”。 深度强化学习可以作为全新的处理复杂核聚变方式，用于解决“托卡马克磁控制问题”。 随着核聚变的反应堆增大，托克马克装置越来越复杂，对其内部配置的运行设置要求越来越高。而且这个控制过程是非线性、实时变化、多变量的，非常复杂，需要大量的工程、设计和专业知识，同时还要进行复杂的平衡估计来实时计算调控的电流。传统的计算机模型和模拟方式不一定能够优化该过程，精确性也无法保障。而通过强化学习设计的磁性控制器，可以自主学习设计整个控制线圈的电流，既可以满足苛刻的物理操作约束条件，也能够实现稳定的输出控制，有效减少了磁约束控制器的开发周期，加速了科研人员对替代性等离子体配置的研究。 2022年2月16日，来自人工智能公司DeepMind、瑞士洛桑联邦理工学院的研究团队，通过与托卡马克模拟器的互动学习生成控制策略，并将以神经网络表示的控制策略直接在硬件上进行托马克磁控制，不仅实现了对等离子体平衡的基本品质的精确控制，同样具备复杂配置能力，实现在放电实验所有相关阶段准确的等离子体控制。 目前许多国家政府都在支持核聚变技术的研发和应用：1）中国：已经建成了 EAST（Experimental Advanced Superconducting Tokamak）聚变实验装置，还积极推进聚变能源产业的发展，并计划在2030年前建成第一座商业聚变电站。2）日本：已经建成了 JT-60SA（Japan Torus-60 Super Advanced）聚变实验装置，并在3月14日正式敲定了首个核聚变能源开发战略方案，提出要推进企业参与研发实验用的核聚变反应堆，并争取在2050年左右实现核聚变发电。3）欧盟：已经建成 ITER（International Thermonuclear Experimental Reactor）聚变实验装置，是目前正在建设的世界上最大的实验性托卡马克核聚变反应堆。4）美国：已建成 NSTX-U（National Spherical Torus Experiment-Upgrade）聚变实验装置，正计划在未来几年内建造一座商业核聚变电站。 AI+材料科学：逆向设计是AI助力材料研发创新的主要范式 AI技术助力解决新材料研发周期长、产业化速度慢、投入成本高等难题。新材料“发现/设计-开发-制造-应用”环节通常需要10-20年时间，导致新材料企业难以快速盈利，并且带有研发项目无法实现应用和投资回报的风险。人工智能擅长建立数据间的关系，研究人员可利用AI模型逆向推导目标材料的组成成分、结构和流程工艺，这种逆向设计已经成为AI赋能材料研发创新的主要范式。相较正向设计，逆向设计可以更好地分析已有数据，更快更好地设计出满足性能和生产要求的材料结构和制造工艺，从而加快新材料的研发速度和效率，降低研发成本。机器学习更是凭借其强大的预测性能，广泛应用于材料科学各领域，例如：1）高效材料特性预测的代用模型开发；2）使用变异自动编码器VAE和生成对抗网络GAN的生成性材料设计；3）通过将实验设计算法与自动机器人平台结合，实现自主材料合成；4）深度学习用于原子尺度材料成像数据的精确表征。 美国企业QuesTek，Citrine，国内深势科技、鸿之微科技（未上市）、机数科技、迈高材云科技等均在探索AI在材料科学领域的应用。 QuesTek致力于集成计算材料工程（ICME）技术，通过对铸造、增材制造、热处理等关键工艺过程中材料组织-性能演变进行建模和计算，开发出用于航空航天、超临界发电机组、海工结构等领域的高性能新材料。区别于传统试验试错方法，QuesTek的研发核心是“大设计、小试验”，通过多尺度计算和数据库辅助设计，将材料成熟度提升至5-6级，再付诸实验室或工程试验，大幅度提升研发效率。QuesTek已成功应用ICME设计了Ferrium S53飞机着陆架用齿轮钢，并承担了美国空军、海军、能源部等材料研发项目。 Citrine智能材料平台基于尖端AI工具和智能数据管理基础架构搭建而成，可用于数据驱动的材料和化学品开发。该平台通过各种来源吸纳结构性和非结构性材料数据，并利用人工智能引擎来识别数据中的重要信息，结合用户企业的行业知识来预测材料在各种配方下的性能，加速材料研发工作。Citrine服务于先进材料研发企业，如3M、BASF、Showa Denko、LANXESS、AGC等；科研机构，如加州大学伯克利分校；政府机构，如美国能源部等，涵盖汽车、航空、消费品、电池和电子等领域。 深势科技提出“多尺度建模+机器学习+高性能计算”的科学研究新范式，推出了Bohrium®微尺度科学计算云平台、Hermite®药物计算设计平台等微尺度工业设计基础设施，对合金材料、锂电池材料、半导体材料、储氢材料等新材料进行高效准确的性质计算与预测。 风险提示 1）AI技术落地不及预期。虽然AI技术加速发展，但由于成本、落地效果等限制，相关技术落地节奏可能不及我们预期。 2）本研报中涉及到未上市公司或未覆盖个股内容，均系对其客观公开信息的整理，并不代表本研究团队对该公司、该股票的推荐或覆盖。 相关研报 研报：《AI for Science:科学探索的新范式》2023年5月17日 黄乐平 S0570521050001 | AUZ066 张皓怡 S0570522020001 陈钰 S0570121120092 关注我们 华泰证券研究所国内站（研究Portal） https://inst.htsc.com/research 访问权限：国内机构客户 华泰证券研究所海外站 https://intl.inst.htsc.com/mainland 访问权限：美国及香港金控机构客户 添加权限请联系您的华泰对口客户经理 免责声明 ▲向下滑动阅览 本公众号不是华泰证券股份有限公司（以下简称“华泰证券”）研究报告的发布平台，本公众号仅供华泰证券中国内地研究服务客户参考使用。其他任何读者在订阅本公众号前，请自行评估接收相关推送内容的适当性，且若使用本公众号所载内容，务必寻求专业投资顾问的指导及解读。华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。 本公众号转发、摘编华泰证券向其客户已发布研究报告的部分内容及观点，完整的投资意见分析应以报告发布当日的完整研究报告内容为准。订阅者仅使用本公众号内容，可能会因缺乏对完整报告的了解或缺乏相关的解读而产生理解上的歧义。如需了解完整内容，请具体参见华泰证券所发布的完整报告。 本公众号内容基于华泰证券认为可靠的信息编制，但华泰证券对该等信息的准确性、完整性及时效性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。 在任何情况下，本公众号中的信息或所表述的意见均不构成对任何人的投资建议。订阅者不应单独依靠本订阅号中的内容而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。订阅者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。 本公众号版权仅为华泰证券所有，未经华泰证券书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。华泰证券具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。

点此查看微信公众号原文全部内容>>

大部分微信公众号研报本站已有pdf详细完整版：https://www.wkzk.com/report/（可搜索研报标题关键词或机构名称查询原报告）