物理学与深度学习：2024年诺贝尔物理学奖介绍（AI文献阅读）

(2025) 物理学与深度学习：2024年诺贝尔物理学奖介绍

一、读懂论文需要的基础知识

1. 人工神经网络基础

• 神经元：类似人脑细胞，接收输入信号（数字/像素等），通过加权计算（权重=重要性）和激活函数（如ReLU）生成输出

• 训练过程：类比学生刷题纠错，用数据调整权重，目标是最小化预测误差

2. 统计物理核心概念

• 能量函数：物理系统的稳定性标尺（如小球在碗底最稳定）

• 玻尔兹曼分布：热力学系统状态概率公式： → 温度越高状态越随机，温度越低越趋近稳定

3. 第一性原理计算（DFT）

• 本质：仅用原子种类+位置，通过薛定谔方程计算性质

• AI作用：解决原子数量↑→计算量指数爆炸的问题

二、论文核心内容解读

1. 诺奖成果：物理思想赋能AI

• 霍普菲尔德网络（1982）



• 物理内核：借自旋模型（↑/↓代表±1），定义能量函数：
• 记忆原理：能量极小值存储记忆，模糊输入自动"滑向"最近记忆点

• 玻尔兹曼机（1985）

• 关键突破：引入热噪声随机性 → 状态更新概率化

• 进化版：受限玻尔兹曼机（RBM）简化连接结构，训练提速百倍

2. AI反哺物理：DeepH案例

• 创新点：图神经网络学习"原子位置→量子哈密顿量"映射

• 三大优势： ① 泛化：小体系训练→预测大体系 ② 精度：毫电子伏特级（=DFT水平） ③ 效率：预测速度提升万倍

三、关键术语解析

1. 神经网络核心术语

2. 物理学术语

3. AI4S（科学智能）三要素

4. 材料研发新范式

总结启示

• 物理→AI：能量函数、统计分布等概念奠定神经网络数学基础

• AI→物理：破解DFT计算瓶颈，催生AlphaFold/DeepH等突破

• 融合趋势：跨学科协同（如材料大模型）将成为科研新引擎