新思想前沿 · 物理学的其余主干

计算物理与多尺度模拟

近二十年 · 两幕 · 20 个新思想 · 约 28,307 字 · 王德生亲撰 · 2026 年 8 月

近二十年，计算物理的中心问题从“能否把方程算得更快”移到“模型、数据和软件在什么条件下有资格替代实验或高保真求解”。第一幕通过相场晶体、相对熵粗粒化、材料数据库、MESA、自适应网格、GPU原生模拟、验证—确认—不确定度三分法和原位分析，把尺度、模块、资源与误差变成显式对象。第二幕则在深度势、等变网络、PINN、神经算子、可微物理、湍流闭合、稀疏识别和百亿亿次协同设计中建立新代理，同时用梯度病态和通用势能面系统软化完成公开清算。新的判据不是代理的平均误差有多小，而是它在分布外、长时间、守恒约束和多代码对照中如何失败。

【第一幕】上一个十年 · 约2006–2016

第一幕的共同动作，是把尺度连接、代码结构、资源分配和误差责任从隐含经验改写为可测试的计算对象。

甲、相场晶体跨越原子与扩散时间Phase-Field Crystal across Atomic and Diffusive Scales

提出Jaatinen等，2009年《物理评论E》80:031602，DOI 10.1103/PhysRevE.80.031602　争议Jaatinen等，2009年《物理评论E》80:031602，DOI 10.1103/PhysRevE.80.031602　最新Oommen等，2024年《npj计算材料》10:145，DOI 10.1038/s41524-024-01319-1　关键相场晶体用周期密度场保留晶格、位错和弹性，同时在扩散时间上推进，从而把原子结构与

原子分辨率通常只能由分子动力学承担，微结构演化则由连续相场承担，两种时间尺度彼此断开。过去的处理把这一差异归到样品偶然性或仪器噪声中，因而只能在事后补解释。真正卡住的是：若旧默认成立，某些重复出现的分叉就不应随控制量系统变化。

相场晶体用周期密度场保留晶格、位错和弹性，同时在扩散时间上推进，从而把原子结构与介观组织放进同一方程。关键不是换一个名词，而是换判据：研究者必须预先说明什么算一次事件、谁进入分母以及越过哪个阈值会改变行为。只要这些量不随实验改变，命题就应在新样本上保留。

2009年的体心立方模型用少数自由能参数重现热力学与弹性性质，并可演化位错和晶界。由于数据同时记录了信号、背景和校准源，结论不依赖单一拟合曲线；即使换用更保守的分析窗口，方向仍保留。正是这种“读数在分析选择下不翻转”的性质让命题真正立住。

自由能截断和过阻尼动力学会扭曲真实声子与快速动力学，模型适合形貌和缺陷而非所有原子过程。该条最容易被过度传播成单因果解释，而原论文给出的其实是必要条件或强相关判据。只有在保持竞争变量不变时干预核心量，才能把它从高质量指标推进为因果控制量。到2024年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“相场晶体跨越原子与扩散时间”把领域的验收对象从单个峰值改成可复算的模拟扩散时间跨度占原子振动周期的比。，并要求阴性样本也进入分母。另一处常被略过的是尺度转换：单个单元的优点只有在并联、长时间运行与故障相关性被计入后才可能保存。对实践而言，这意味着未来报告不能只给峰值结果，还应给准备成功率、有效占空比和失败样本；否则不同团队无法判断收益来自物理机制还是筛选。对“相场晶体跨越原子与扩散时间”而言，最有信息量的下一步不是再报一个最高值，而是把模拟扩散时间跨度占原子振动周期的比。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“相场晶体跨越原子与扩散时间”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。这条还提供了一个反例检查：把同一数据交给不共享先验的另一管线，若结论随分析者身份翻转，就说明机制尚未从方法中分离。面板中的方法学条目因此不是附录，而是所有物理主张的边界。

位置S——把『相场晶体跨越原子与扩散时间』形成的对象结构作为首要显露　单因决定『相场晶体跨越原子与扩散时间』当前结论的最小充分项只有：相场晶体用周期密度场保留晶格、位错和弹性，同时在扩散时间上推进，从而把原子结构与　预设〔01 谁进入分母〕密度峰可代表晶格位置且慢变量主导演化　量纲模拟扩散时间跨度／原子振动周期　失效失效边界是『该条所依赖的尺度分离、校准或选择函数不能保持时不成立』；越过该边界，相关条件越强，模拟扩散时间跨度反而越低　自曝『相场晶体跨越原子与扩散时间』的原始材料只直接支持“2009年的体心立方模型用少数自由能参数重现热力学与弹性性质，并可演化位错和晶界”，没有自动覆盖边界外对象　空栏『相场晶体跨越原子与扩散时间』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名材料学称晶格相场，统计物理称密度泛函粗粒化；另见第 215 号第 16 条『等离子体—材料界面：钨杂质与氚滞留成为系统变量』

乙、相对熵粗粒化Relative-Entropy Coarse Graining

提出Shell，2008年《化学物理学杂志》129:144108，DOI 10.1063/1.2992060　争议Shell，2008年《化学物理学杂志》129:144108，DOI 10.1063/1.2992060　最新Karniadakis等，2021年《自然·物理评论》3:422–440，DOI 10.1038/s42254-021-00314-5　关键最小化细粒与粗粒概率分布的相对熵，可把粗粒势的选择写成统一逆问题并量化丢失信息

粗粒模型常靠手工挑选势函数并拟合若干径向分布，多个模型可给相似曲线却产生不同热力学。在这种图景里，研究者常用一个平均量替代完整过程，异常样本则被视为偏离。问题在于，越来越多数据表明异常会按同一方向成群出现，说明旧变量并没有抓住决定性的自由度。

最小化细粒与粗粒概率分布的相对熵，可把粗粒势的选择写成统一逆问题并量化丢失信息。它把原来不可区分的两种解释分开：一种预言响应随局部变量变化，另一种只随总量变化。实验可以通过正交操纵两者直接判定，因此这不是比喻，而是一条可以失败的关系。

2008年的推导把多尺度映射、逆玻尔兹曼与最大似然连接，给出可计算梯度和优化目标。更要紧的是，研究者报告了样本数、置信区间或误差预算，而非只展示代表性图像。这样一来，反对者可以复算效应量，也能指出究竟是哪一段校准链造成分歧。

相对熵依赖选定映射与状态点，低信息损失不保证动力学和可转移性同时正确。争议因此没有以“支持或反对”二分结束，而是落到适用域：哪些噪声、尺度与边界条件会把效应伪装出来。若这些条件不被独立测量，任何漂亮一致性都可能只是共同系统误差。到2021年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“相对熵粗粒化”把领域的验收对象从单个峰值改成可复算的每个粗粒自由度保留的信息量占细粒信息量的比例，并要求阴性样本也进入分母。由此，阳性信号不再自动等于对象存在；只有当替代模型在同一数据管线中被系统压低，结论才获得可迁移性。方法上还产生了一条后果：阴性数据必须保留，因为阈值以下的“没发生”正是确定状态边界所需的信息，删掉它会把相图人为变陡。对“相对熵粗粒化”而言，最有信息量的下一步不是再报一个最高值，而是把每个粗粒自由度保留的信息量占细粒信息量的比例。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“相对熵粗粒化”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。与相邻领域相比，本块关心的不是一般意义上的“性能更好”，而是该性能由哪一个微观或观测机制产生。相邻工程面板可以负责制造与控制，本块必须负责证明读数确实对应所声称的物理对象。因此，源行中的作者、年份与读数不是装饰，而是命题的责任链。删去对象、机构与量化锚点后若论证仍不受影响，说明它仍停留在一般道理，没有真正交代本领域发生了什么。

位置D——把『相对熵粗粒化』中的操作次序与变化路径作为首要显露　单因决定『相对熵粗粒化』当前结论的最小充分项只有：最小化细粒与粗粒概率分布的相对熵，可把粗粒势的选择写成统一逆问题并量化丢失信息　预设〔01 谁进入分母〕粗粒模型的质量可由两种系综的概率距离衡量　量纲每个粗粒自由度保留的信息量／细粒信息量　失效失效边界是『该条所依赖的尺度分离、校准或选择函数不能保持时不成立』；越过该边界，相关条件越强，每个粗粒自由度保留的信息量反而越低　自曝『相对熵粗粒化』的原始材料只直接支持“2008年的推导把多尺度映射、逆玻尔兹曼与最大似然连接，给出可计算梯度和优化目标”，没有自动覆盖边界外对象　空栏『相对熵粗粒化』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名信息论称KL散度，统计学称模型投影；另见第 214 号第 14 条『分布鲁棒优化：优化对象从参数集合扩展到概率分布』

丙、材料数据库把计算变成查询Computed Materials as a Queryable Database

提出Jain等，2013年《APL材料》1:011002，DOI 10.1063/1.4812323　争议Jain等，2013年《APL材料》1:011002，DOI 10.1063/1.4812323　最新Deng等，2023年《自然·机器智能》5:1031–1041，DOI 10.1038/s42256-023-00716-3　关键把统一工作流跑遍大量晶体并公开结构、能量和派生性质，可把材料发现从手工猜测变成数

第一性原理计算长期以单篇论文和单个体系组织，重复计算多、参数口径不一，难以形成总体知识。旧框架能描述终点，却解释不了从初态到终态所经历的路径，也无法回答为何相似输入会给出不同输出。于是问题从“再提高精度”变成“此前漏掉了哪一个可操纵的状态量”。

把统一工作流跑遍大量晶体并公开结构、能量和派生性质，可把材料发现从手工猜测变成数据库筛选。由此，研究对象不再是孤立部件，而是“对象—驱动—读出”复合系统；性能只有连同准备、选择与恢复过程一起计算才有物理意义。

Materials Project在2013年公开数万种材料的标准化计算和分析接口，并以相稳定性和能带等属性支持批量搜索。这组读数的重要性不在单个纪录，而在它同时给出基线、对照与变化幅度，使旧默认和新命题在同一实验中受到检验。后续工作若采用不同装置，也必须能在同一比率或阈值上对齐。

密度泛函误差、数据库覆盖和计算设置会系统偏置排名；命中候选仍需实验验证。反对意见迫使该理论从普遍口号退回条件命题。它在给定分辨率和驱动范围内成立，并不保证外推到更大尺度、不同材料或更长时间；真正未决的是失效边界能否由第一性参数预测。到2023年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“材料数据库把计算变成查询”把领域的验收对象从单个峰值改成可复算的通过实验验证的候选数占计算筛选候选数的比例，并要求阴性样本也进入分母。平台的优点并非自动高通量，而是把失败也标准化，使不同批次、不同实验室的阴性结果可以累加。这也改变了资源配置：与其继续把全部预算押在单一纪录上，不如增加正交传感和公开校准，使每一次失败都能缩小模型空间。对“材料数据库把计算变成查询”而言，最有信息量的下一步不是再报一个最高值，而是把通过实验验证的候选数占计算筛选候选数的比例。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“材料数据库把计算变成查询”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。把它与后续条目并置会看到，同一控制量在不同尺度上可能换名，却仍可用相同的比率、时长或阈值比较。异名登记因此不是装饰，而是防止一个现象被多个领域各自重复发现的索引。

位置E——把『材料数据库把计算变成查询』成立所需的边界环境作为首要显露　单因决定『材料数据库把计算变成查询』当前结论的最小充分项只有：把统一工作流跑遍大量晶体并公开结构、能量和派生性质，可把材料发现从手工猜测变成数　预设〔01 谁进入分母〕统一计算协议足以让不同材料的派生量可比较　量纲通过实验验证的候选数／计算筛选候选数　失效失效边界是『该条所依赖的尺度分离、校准或选择函数不能保持时不成立』；越过该边界，相关条件越强，通过实验验证的候选数反而越低　自曝『材料数据库把计算变成查询』的原始材料只直接支持“MaterialsProject在2013年公开数万种材料的标准化计算和分析接口，并以相稳定性和能带等属性支持批量搜索”，没有自动覆盖边界外对象　空栏『材料数据库把计算变成查询』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名生物学称组学数据库，商业称可检索产品空间；另见第 593 号第 10 条『介电弹性体把执行器本身变成柔软结构』

丁、模块化恒星演化成为公共实验台MESA as a Modular Stellar Laboratory

提出Paxton等，2011年《天体物理学杂志增刊》192:3，DOI 10.1088/0067-0049/192/1/3　争议Paxton等，2011年《天体物理学杂志增刊》192:3，DOI 10.1088/0067-0049/192/1/3　最新美国能源部，2024年《百亿亿次计算计划最终报告》（项目报告）　关键把状态方程、反应率、输运和求解器做成明确接口与测试套件，可使物理模块独立替换并持

恒星演化代码常是封闭、耦合且难以逐模块验证的“大程序”，不同团队结果差异难定位。这套默认在低精度、低通量时代看似够用，但当实验开始逐事件、逐原子或逐像素记录时，平均化掩盖的相关性变成主信号。领域需要一种能对反例负责的新表述。

把状态方程、反应率、输运和求解器做成明确接口与测试套件，可使物理模块独立替换并持续回归验证。可反驳命题是：若这一说法成立，改变该控制量而保持其余条件近似不变时，输出应按预定方向变化；若只有事后拟合才能得到关系，它就不是机制。

2011年的MESA发布包含线程安全模块、自适应网格和覆盖多种恒星阶段的测试案例，社区可复现实验轨迹。实验把此前只存在于理论图中的控制量变成可测对象，并用数量级差异而非主观图像支持结论。关键读数既限定了效应大小，也显示装置在哪个区域开始饱和或失真。

一维模型仍需闭合对流、旋转和磁场，开放代码不自动消除物理近似或用户配置差异。复制并非简单重复原实验，因为更换装置会同时更换选择函数。要判断分歧来自物理还是测量，必须把原始数据重新通过双方管线处理，并比较结果对阈值、先验与背景模型的敏感度。到2024年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“模块化恒星演化成为公共实验台”把领域的验收对象从单个峰值改成可复算的通过回归测试的模块数占全部依赖模块数的比例，并要求阴性样本也进入分母。平台化之后，发现不再依赖单次手工调参，而取决于接口、校准和元数据能否让另一团队复用同一操作。因而，成熟度不应按一次最佳表现衡量，而应按跨批次方差、恢复时间和单位资源产出衡量。对“模块化恒星演化成为公共实验台”而言，最有信息量的下一步不是再报一个最高值，而是把通过回归测试的模块数占全部依赖模块数的比例。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“模块化恒星演化成为公共实验台”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。从接口上看，它与本面板其他条目的关系在于：局部机制只有经过准备、输运、读出和统计四个环节仍保留同一量纲，才算完成闭环。若某一环节重新定义分母，跨实验比较就会失真。因此，源行中的作者、年份与读数不是装饰，而是命题的责任链。删去对象、机构与量化锚点后若论证仍不受影响，说明它仍停留在一般道理，没有真正交代本领域发生了什么。

位置D——把『模块化恒星演化成为公共实验台』中的操作次序与变化路径作为首要显露　单因决定『模块化恒星演化成为公共实验台』当前结论的最小充分项只有：把状态方程、反应率、输运和求解器做成明确接口与测试套件，可使物理模块独立替换并持　预设〔02 单一读数代表复杂对象〕复杂模拟可被拆成具有可测试接口的物理模块　量纲通过回归测试的模块数／全部依赖模块数　失效失效边界是『该条所依赖的尺度分离、校准或选择函数不能保持时不成立』；越过该边界，相关条件越强，通过回归测试的模块数反而越低　自曝『模块化恒星演化成为公共实验台』的原始材料只直接支持“2011年的MESA发布包含线程安全模块、自适应网格和覆盖多种恒星阶段的测试案例，社区可复现实验轨迹”，没有自动覆盖边界外对象　空栏『模块化恒星演化成为公共实验台』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名软件工程称模块化与持续集成，系统工程称接口验证；另见第 216 号第 10 条『GW170817与状态方程：引力波潮汐形变成为核物质实验』

戊、自适应网格把分辨率投向事件Adaptive Mesh Refinement as Event-Focused Resolution

提出Almgren等，2010年《天体物理学杂志》715:1221–1238，DOI 10.1088/0004-637X/715/2/1221　争议Almgren等，2010年《天体物理学杂志》715:1221–1238，DOI 10.1088/0004-637X/715/2/1221　最新美国能源部，2024年《百亿亿次计算计划最终报告》（项目报告）　关键根据误差指示器动态细化局部网格，可在保持守恒的同时把分辨率投向激波、燃烧前沿和自

均匀网格把计算资源平均撒在平滑区和激波区，三维多尺度问题很快被内存和时间成本封死。过去的处理把这一差异归到样品偶然性或仪器噪声中，因而只能在事后补解释。真正卡住的是：若旧默认成立，某些重复出现的分叉就不应随控制量系统变化。

根据误差指示器动态细化局部网格，可在保持守恒的同时把分辨率投向激波、燃烧前沿和自引力塌缩。关键不是换一个名词，而是换判据：研究者必须预先说明什么算一次事件、谁进入分母以及越过哪个阈值会改变行为。只要这些量不随实验改变，命题就应在新样本上保留。

CASTRO在2010年将块结构自适应网格、可压缩流和自引力结合，在恒星爆炸测试中保持守恒与冲击分辨。由于数据同时记录了信号、背景和校准源，结论不依赖单一拟合曲线；即使换用更保守的分析窗口，方向仍保留。正是这种“读数在分析选择下不翻转”的性质让命题真正立住。

细化阈值会改变拓扑事件和混合，粗细网格边界可能产生数值反射；误差指示器不是物理真值。该条最容易被过度传播成单因果解释，而原论文给出的其实是必要条件或强相关判据。只有在保持竞争变量不变时干预核心量，才能把它从高质量指标推进为因果控制量。到2024年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“自适应网格把分辨率投向事件”把领域的验收对象从单个峰值改成可复算的细化区单元数占全域等分辨率单元数的比例，并要求阴性样本也进入分母。这使“更大”不再是唯一方向，复制、分级与模块化都可成为扩展路径，但它们必须用单位资源的有效输出比较。对实践而言，这意味着未来报告不能只给峰值结果，还应给准备成功率、有效占空比和失败样本；否则不同团队无法判断收益来自物理机制还是筛选。对“自适应网格把分辨率投向事件”而言，最有信息量的下一步不是再报一个最高值，而是把细化区单元数占全域等分辨率单元数的比例。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“自适应网格把分辨率投向事件”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。这条还提供了一个反例检查：把同一数据交给不共享先验的另一管线，若结论随分析者身份翻转，就说明机制尚未从方法中分离。面板中的方法学条目因此不是附录，而是所有物理主张的边界。

位置E——把『自适应网格把分辨率投向事件』成立所需的边界环境作为首要显露　单因决定『自适应网格把分辨率投向事件』当前结论的最小充分项只有：根据误差指示器动态细化局部网格，可在保持守恒的同时把分辨率投向激波、燃烧前沿和自　预设〔02 单一读数代表复杂对象〕局部误差可由可计算指示器提前识别　量纲细化区单元数／全域等分辨率单元数　失效失效边界是『该条所依赖的尺度分离、校准或选择函数不能保持时不成立』；越过该边界，相关条件越强，细化区单元数反而越低　自曝『自适应网格把分辨率投向事件』的原始材料只直接支持“CASTRO在2010年将块结构自适应网格、可压缩流和自引力结合，在恒星爆炸测试中保持守恒与冲击分辨”，没有自动覆盖边界外对象　空栏『自适应网格把分辨率投向事件』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名运筹学称资源聚焦，医学成像称感兴趣区采样；另见第 597 号第 13 条『在线自适应把计划改成当日决策』

己、GPU原生分子动力学GPU-Native Molecular Dynamics

提出Anderson、Lorenz与Travesset，2008年《计算物理杂志》227:5342–5359，DOI 10.1016/j.jcp.2008.01.047　争议Anderson、Lorenz与Travesset，2008年《计算物理杂志》227:5342–5359，DOI 10.1016/j.jcp.2008.01.047　最新美国能源部，2024年《百亿亿次计算计划最终报告》（项目报告）　关键从邻居表、力计算到积分全部驻留GPU，可把并行粒子更新做成原生执行路径而非局部加

加速器过去被当作CPU程序的附属协处理器，数据频繁搬移使理论峰值难转成模拟吞吐。在这种图景里，研究者常用一个平均量替代完整过程，异常样本则被视为偏离。问题在于，越来越多数据表明异常会按同一方向成群出现，说明旧变量并没有抓住决定性的自由度。

从邻居表、力计算到积分全部驻留GPU，可把并行粒子更新做成原生执行路径而非局部加速。它把原来不可区分的两种解释分开：一种预言响应随局部变量变化，另一种只随总量变化。实验可以通过正交操纵两者直接判定，因此这不是比喻，而是一条可以失败的关系。

2008年的HOOMD工作在单GPU上对多类粒子体系取得相对CPU显著加速，并显示完整驻留优于只搬一段核函数。更要紧的是，研究者报告了样本数、置信区间或误差预算，而非只展示代表性图像。这样一来，反对者可以复算效应量，也能指出究竟是哪一段校准链造成分歧。

性能依赖粒子数、相互作用和内存访问，浮点精度与可复现顺序也会改变长期轨迹。争议因此没有以“支持或反对”二分结束，而是落到适用域：哪些噪声、尺度与边界条件会把效应伪装出来。若这些条件不被独立测量，任何漂亮一致性都可能只是共同系统误差。到2024年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“GPU原生分子动力学”把领域的验收对象从单个峰值改成可复算的每单位能耗推进的粒子时间步数占CPU基准的比。，并要求阴性样本也进入分母。可扩展性因此被重写为一个带分母的问题：每增加一份尺寸、能量或通道，性能、误差与维护负担各增加多少。方法上还产生了一条后果：阴性数据必须保留，因为阈值以下的“没发生”正是确定状态边界所需的信息，删掉它会把相图人为变陡。对“GPU原生分子动力学”而言，最有信息量的下一步不是再报一个最高值，而是把每单位能耗推进的粒子时间步数占CPU基准的比。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“GPU原生分子动力学”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。与相邻领域相比，本块关心的不是一般意义上的“性能更好”，而是该性能由哪一个微观或观测机制产生。相邻工程面板可以负责制造与控制，本块必须负责证明读数确实对应所声称的物理对象。因此，源行中的作者、年份与读数不是装饰，而是命题的责任链。删去对象、机构与量化锚点后若论证仍不受影响，说明它仍停留在一般道理，没有真正交代本领域发生了什么。

位置S——把『GPU原生分子动力学』形成的对象结构作为首要显露　单因决定『GPU原生分子动力学』当前结论的最小充分项只有：从邻居表、力计算到积分全部驻留GPU，可把并行粒子更新做成原生执行路径而非局部加　预设〔02 单一读数代表复杂对象〕算法可被重排为大量同构局部操作且数据长期驻留设备　量纲每单位能耗推进的粒子时间步数／CPU基准　失效失效边界是『该条所依赖的尺度分离、校准或选择函数不能保持时不成立』；越过该边界，相关条件越强，每单位能耗推进的粒子时间步数反而越低　自曝『GPU原生分子动力学』的原始材料只直接支持“2008年的HOOMD工作在单GPU上对多类粒子体系取得相对CPU显著加速，并显示完整驻留优于只搬一段核函数”，没有自动覆盖边界外对象　空栏『GPU原生分子动力学』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名工程称加速器原生设计，物流称减少中转；另见第 600 号第 8 条『STPA-SafeSec把安全与安保合并到控制路径』

庚、验证—确认—不确定度三分法Verification, Validation and Uncertainty Quantification

提出Roy与Oberkampf，2011年《工程计算方法》200:2131–2144，DOI 10.1016/j.cma.2011.03.016　争议Roy与Oberkampf，2011年《工程计算方法》200:2131–2144，DOI 10.1016/j.cma.2011.03.016　最新Karniadakis等，2021年《自然·物理评论》3:422–440，DOI 10.1038/s42254-021-00314-5　关键验证回答方程是否算对，确认回答方程是否适用，不确定度量化回答输入和模型误差怎样传

“模拟与实验相符”常被当作整体可信，数值误差、参数不确定和模型结构缺失混在一个残差里。旧框架能描述终点，却解释不了从初态到终态所经历的路径，也无法回答为何相似输入会给出不同输出。于是问题从“再提高精度”变成“此前漏掉了哪一个可操纵的状态量”。

验证回答方程是否算对，确认回答方程是否适用，不确定度量化回答输入和模型误差怎样传到输出；三者不可互相替代。由此，研究对象不再是孤立部件，而是“对象—驱动—读出”复合系统；性能只有连同准备、选择与恢复过程一起计算才有物理意义。

2011年的综合框架把代码验证、解验证、实验确认和预测不确定度连成证据层级，并要求分别报告。这组读数的重要性不在单个纪录，而在它同时给出基线、对照与变化幅度，使旧默认和新命题在同一实验中受到检验。后续工作若采用不同装置，也必须能在同一比率或阈值上对齐。

真实系统缺少完全真值，模型形式误差难概率化；过度形式化也可能制造虚假的精确置信。反对意见迫使该理论从普遍口号退回条件命题。它在给定分辨率和驱动范围内成立，并不保证外推到更大尺度、不同材料或更长时间；真正未决的是失效边界能否由第一性参数预测。到2021年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“验证—确认—不确定度三分法”把领域的验收对象从单个峰值改成可复算的数值误差、参数误差与模型误差各占总预测区间的比例，并要求阴性样本也进入分母。这条线改变了推断的责任分配：模型不再只给最优参数，还必须说明先验、选择效应与未建模残差分别占了多少。这也改变了资源配置：与其继续把全部预算押在单一纪录上，不如增加正交传感和公开校准，使每一次失败都能缩小模型空间。对“验证—确认—不确定度三分法”而言，最有信息量的下一步不是再报一个最高值，而是把数值误差、参数误差与模型误差各占总预测区间的比例。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“验证—确认—不确定度三分法”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。把它与后续条目并置会看到，同一控制量在不同尺度上可能换名，却仍可用相同的比率、时长或阈值比较。异名登记因此不是装饰，而是防止一个现象被多个领域各自重复发现的索引。

位置E——把『验证—确认—不确定度三分法』成立所需的边界环境作为首要显露　单因决定『验证—确认—不确定度三分法』当前结论的最小充分项只有：验证回答方程是否算对，确认回答方程是否适用，不确定度量化回答输入和模型误差怎样传　预设〔03 相关方向等同因果方向〕不同误差来源可以通过不同对照和收敛试验部分识别　量纲数值误差、参数误差与模型误差各／总预测区间　失效失效边界是『该条所依赖的尺度分离、校准或选择函数不能保持时不成立』；越过该边界，相关条件越强，数值误差、参数误差与模型误差各反而越低　自曝『验证—确认—不确定度三分法』的原始材料只直接支持“2011年的综合框架把代码验证、解验证、实验确认和预测不确定度连成证据层级，并要求分别报告”，没有自动覆盖边界外对象　空栏『验证—确认—不确定度三分法』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名计量学称不确定度预算，审计称责任分层；另见第 216 号第 11 条『核数据不确定度量化：协方差必须进入反应堆与天体模拟』

辛、原位分析打破存盘后处理In-Situ Analysis beyond Post-Processing

提出Ayachit等，2015年《ISAV会议论文集》25–29，DOI 10.1145/2828612.2828624　争议Ayachit等，2015年《ISAV会议论文集》25–29，DOI 10.1145/2828612.2828624　最新美国能源部，2024年《百亿亿次计算计划最终报告》（项目报告）　关键把可视化、特征检测和降维嵌入正在运行的模拟，可减少I/O并以更高时间分辨率捕获事

超级计算模拟默认先把全场写盘再分析，但输出速度增长快于存储带宽，关键瞬态可能在稀疏快照间消失。这套默认在低精度、低通量时代看似够用，但当实验开始逐事件、逐原子或逐像素记录时，平均化掩盖的相关性变成主信号。领域需要一种能对反例负责的新表述。

把可视化、特征检测和降维嵌入正在运行的模拟，可减少I/O并以更高时间分辨率捕获事件。可反驳命题是：若这一说法成立，改变该控制量而保持其余条件近似不变时，输出应按预定方向变化；若只有事后拟合才能得到关系，它就不是机制。

2015年的ParaView Catalyst展示与模拟内存直接耦合的分析库，可在不写出全部原始场的情况下生成派生数据。实验把此前只存在于理论图中的控制量变成可测对象，并用数量级差异而非主观图像支持结论。关键读数既限定了效应大小，也显示装置在哪个区域开始饱和或失真。

原位过滤会不可逆地丢弃未预见信息，分析开销和负载不平衡也可能拖慢主模拟。复制并非简单重复原实验，因为更换装置会同时更换选择函数。要判断分歧来自物理还是测量，必须把原始数据重新通过双方管线处理，并比较结果对阈值、先验与背景模型的敏感度。到2024年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“原位分析打破存盘后处理”把领域的验收对象从单个峰值改成可复算的保留的科学特征量占原始输出字节数的比例，并要求阴性样本也进入分母。这条线的制度后果是，装置、软件与数据格式共同构成实验；只公开最终曲线而不公开管线，等于没有公开完整方法。因而，成熟度不应按一次最佳表现衡量，而应按跨批次方差、恢复时间和单位资源产出衡量。对“原位分析打破存盘后处理”而言，最有信息量的下一步不是再报一个最高值，而是把保留的科学特征量占原始输出字节数的比例。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“原位分析打破存盘后处理”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。从接口上看，它与本面板其他条目的关系在于：局部机制只有经过准备、输运、读出和统计四个环节仍保留同一量纲，才算完成闭环。若某一环节重新定义分母，跨实验比较就会失真。因此，源行中的作者、年份与读数不是装饰，而是命题的责任链。删去对象、机构与量化锚点后若论证仍不受影响，说明它仍停留在一般道理，没有真正交代本领域发生了什么。

位置S——把『原位分析打破存盘后处理』形成的对象结构作为首要显露　单因决定『原位分析打破存盘后处理』当前结论的最小充分项只有：把可视化、特征检测和降维嵌入正在运行的模拟，可减少I/O并以更高时间分辨率捕获事　预设〔03 相关方向等同因果方向〕事件特征可以在生成时用有限状态描述充分提取　量纲保留的科学特征量／原始输出字节数　失效当该条所依赖的尺度分离、校准或选择函数不能保持时不成立　自曝『原位分析打破存盘后处理』的原始材料只直接支持“2015年的ParaViewCatalyst展示与模拟内存直接耦合的分析库，可在不写出全部原始场的情况下生成派生数据”，没有自动覆盖边界外对象　空栏『原位分析打破存盘后处理』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名流媒体称边缘计算，实验学称在线触发；另见第 583 号第 7 条『原位可视化』

【第二幕】这十年 · 约2016–2026

第二幕让学习模型进入求解链，却同时把分布外、优化病态和系统偏差提升为与速度同等重要的性能读数。

一、深度势能面替代固定力场Deep Potential Molecular Dynamics

提出Zhang等，2018年《物理评论快报》120:143001，DOI 10.1103/PhysRevLett.120.143001　争议Zhang等，2018年《物理评论快报》120:143001，DOI 10.1103/PhysRevLett.120.143001　最新Deng等，2025年《npj计算材料》11:9，DOI 10.1038/s41524-024-01500-6　关键用局域对称描述学习第一性原理能量和力，可在近量子精度下把分子动力学扩展到更大时空

经验力场速度快但化学可转移性弱，第一性原理准确却只能覆盖较小体系与较短时间。过去的处理把这一差异归到样品偶然性或仪器噪声中，因而只能在事后补解释。真正卡住的是：若旧默认成立，某些重复出现的分叉就不应随控制量系统变化。

用局域对称描述学习第一性原理能量和力，可在近量子精度下把分子动力学扩展到更大时空尺度。关键不是换一个名词，而是换判据：研究者必须预先说明什么算一次事件、谁进入分母以及越过哪个阈值会改变行为。只要这些量不随实验改变，命题就应在新样本上保留。

2018年的Deep Potential在多种体系上将能量写成原子局域贡献，并展示接近第一性原理的误差与近线性扩展。由于数据同时记录了信号、背景和校准源，结论不依赖单一拟合曲线；即使换用更保守的分析窗口，方向仍保留。正是这种“读数在分析选择下不翻转”的性质让命题真正立住。

训练分布外的相、缺陷和反应路径可能给出无警报错误，低平均误差不保证动力学量正确。该条最容易被过度传播成单因果解释，而原论文给出的其实是必要条件或强相关判据。只有在保持竞争变量不变时干预核心量，才能把它从高质量指标推进为因果控制量。到2025年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“深度势能面替代固定力场”把领域的验收对象从单个峰值改成可复算的机器学习势单步成本占第一性原理单步成本的比例，并要求阴性样本也进入分母。可扩展性因此被重写为一个带分母的问题：每增加一份尺寸、能量或通道，性能、误差与维护负担各增加多少。对实践而言，这意味着未来报告不能只给峰值结果，还应给准备成功率、有效占空比和失败样本；否则不同团队无法判断收益来自物理机制还是筛选。对“深度势能面替代固定力场”而言，最有信息量的下一步不是再报一个最高值，而是把机器学习势单步成本占第一性原理单步成本的比例。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“深度势能面替代固定力场”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。这条还提供了一个反例检查：把同一数据交给不共享先验的另一管线，若结论随分析者身份翻转，就说明机制尚未从方法中分离。面板中的方法学条目因此不是附录，而是所有物理主张的边界。

位置D——把『深度势能面替代固定力场』中的操作次序与变化路径作为首要显露　单因决定『深度势能面替代固定力场』当前结论的最小充分项只有：用局域对称描述学习第一性原理能量和力，可在近量子精度下把分子动力学扩展到更大时空　预设〔03 相关方向等同因果方向〕势能在给定截断内可近似分解为局域环境贡献　量纲机器学习势单步成本／第一性原理单步成本　失效当该条所依赖的尺度分离、校准或选择函数不能保持时不成立　自曝『深度势能面替代固定力场』的原始材料只直接支持“2018年的DeepPotential在多种体系上将能量写成原子局域贡献，并展示接近第一性原理的误差与近线性扩展”，没有自动覆盖边界外对象　空栏『深度势能面替代固定力场』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名化学称反应势能面，机器学习称代理模型；另见第 216 号第 19 条『机器学习核物理：代理模型必须保留守恒与后验不确定度』

二、等变网络把对称性写进模型Equivariant Interatomic Potentials

提出Batzner等，2022年《自然·通讯》13:2453，DOI 10.1038/s41467-022-29939-5　争议Batzner等，2022年《自然·通讯》13:2453，DOI 10.1038/s41467-022-29939-5　最新Deng等，2025年《npj计算材料》11:9，DOI 10.1038/s41524-024-01500-6　关键让内部张量按E(3)群等变变换，可保证能量不变、力随旋转共同转动，并显著提高数据

数据增强常用旋转后的构型教网络对称性，却仍浪费样本并可能留下非物理方向误差。在这种图景里，研究者常用一个平均量替代完整过程，异常样本则被视为偏离。问题在于，越来越多数据表明异常会按同一方向成群出现，说明旧变量并没有抓住决定性的自由度。

让内部张量按E(3)群等变变换，可保证能量不变、力随旋转共同转动，并显著提高数据效率。它把原来不可区分的两种解释分开：一种预言响应随局部变量变化，另一种只随总量变化。实验可以通过正交操纵两者直接判定，因此这不是比喻，而是一条可以失败的关系。

2022年的NequIP在分子、液体和材料数据上以少至百至千个构型达到强精度，部分任务比传统模型少用数个数量级数据。更要紧的是，研究者报告了样本数、置信区间或误差预算，而非只展示代表性图像。这样一来，反对者可以复算效应量，也能指出究竟是哪一段校准链造成分歧。

局域截断仍难描述长程静电和电荷转移，等变结构保证对称性但不保证分布外物理。争议因此没有以“支持或反对”二分结束，而是落到适用域：哪些噪声、尺度与边界条件会把效应伪装出来。若这些条件不被独立测量，任何漂亮一致性都可能只是共同系统误差。到2025年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“等变网络把对称性写进模型”把领域的验收对象从单个峰值改成可复算的达到同一力误差所需训练构型数占非等变模型构型数的比例，并要求阴性样本也进入分母。它把少数著名样本改写为可批量执行的分类问题：规则若不能在数据库、盲样本或新装置上运行，就还不是成熟判据。方法上还产生了一条后果：阴性数据必须保留，因为阈值以下的“没发生”正是确定状态边界所需的信息，删掉它会把相图人为变陡。对“等变网络把对称性写进模型”而言，最有信息量的下一步不是再报一个最高值，而是把达到同一力误差所需训练构型数占非等变模型构型数的比例。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“等变网络把对称性写进模型”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。与相邻领域相比，本块关心的不是一般意义上的“性能更好”，而是该性能由哪一个微观或观测机制产生。相邻工程面板可以负责制造与控制，本块必须负责证明读数确实对应所声称的物理对象。

位置S——把『等变网络把对称性写进模型』形成的对象结构作为首要显露　单因决定『等变网络把对称性写进模型』当前结论的最小充分项只有：让内部张量按E(3)群等变变换，可保证能量不变、力随旋转共同转动，并显著提高数据　预设〔04 尺度迁移不改变结论〕目标物理量的坐标变换规律已知且应被严格满足　量纲达到同一力误差所需训练构型数／非等变模型构型数　失效当该条所依赖的尺度分离、校准或选择函数不能保持时不成立　自曝『等变网络把对称性写进模型』的原始材料只直接支持“2022年的NequIP在分子、液体和材料数据上以少至百至千个构型达到强精度，部分任务比传统模型少用数个数量级数据”，没有自动覆盖边界外对象　空栏『等变网络把对称性写进模型』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名几何学习称群等变，物理称协变张量；另见第 211 号第 16 条『几何深度学习：对称性必须进入模型架构』

三、物理信息神经网络把方程放进损失Physics-Informed Neural Networks

提出Raissi、Perdikaris与Karniadakis，2019年《计算物理杂志》378:686–707，DOI 10.1016/j.jcp.2018.10.045　争议Raissi、Perdikaris与Karniadakis，2019年《计算物理杂志》378:686–707，DOI 10.1016/j.jcp.2018.10.045　最新Wang、Teng与Perdikaris，2021年《SIAM科学计算杂志》43:A3055–A3081，DOI 10.1137/20M1318043　关键把方程残差、边界条件和稀疏数据共同写入神经网络损失，可用自动微分同时求解正反问题

传统PDE求解依赖网格和离散格式，反问题又需在每次参数更新中反复调用求解器。旧框架能描述终点，却解释不了从初态到终态所经历的路径，也无法回答为何相似输入会给出不同输出。于是问题从“再提高精度”变成“此前漏掉了哪一个可操纵的状态量”。

把方程残差、边界条件和稀疏数据共同写入神经网络损失，可用自动微分同时求解正反问题。由此，研究对象不再是孤立部件，而是“对象—驱动—读出”复合系统；性能只有连同准备、选择与恢复过程一起计算才有物理意义。

2019年的PINN框架在非线性PDE和参数识别例子中用无网格采样得到连续近似，并从不完整数据恢复系数。这组读数的重要性不在单个纪录，而在它同时给出基线、对照与变化幅度，使旧默认和新命题在同一实验中受到检验。后续工作若采用不同装置，也必须能在同一比率或阈值上对齐。

高频、多尺度和刚性问题会出现优化病态，训练残差小不保证解误差小。反对意见迫使该理论从普遍口号退回条件命题。它在给定分辨率和驱动范围内成立，并不保证外推到更大尺度、不同材料或更长时间；真正未决的是失效边界能否由第一性参数预测。到2021年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“物理信息神经网络把方程放进损失”把领域的验收对象从单个峰值改成可复算的满足误差阈值所需采样点数占传统网格点数的比例，并要求阴性样本也进入分母。由此，阳性信号不再自动等于对象存在；只有当替代模型在同一数据管线中被系统压低，结论才获得可迁移性。这也改变了资源配置：与其继续把全部预算押在单一纪录上，不如增加正交传感和公开校准，使每一次失败都能缩小模型空间。对“物理信息神经网络把方程放进损失”而言，最有信息量的下一步不是再报一个最高值，而是把满足误差阈值所需采样点数占传统网格点数的比例。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“物理信息神经网络把方程放进损失”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。把它与后续条目并置会看到，同一控制量在不同尺度上可能换名，却仍可用相同的比率、时长或阈值比较。异名登记因此不是装饰，而是防止一个现象被多个领域各自重复发现的索引。

位置D——把『物理信息神经网络把方程放进损失』中的操作次序与变化路径作为首要显露　单因决定『物理信息神经网络把方程放进损失』当前结论的最小充分项只有：把方程残差、边界条件和稀疏数据共同写入神经网络损失，可用自动微分同时求解正反问题　预设〔04 尺度迁移不改变结论〕方程残差在采样点上足以约束目标解空间　量纲满足误差阈值所需采样点数／传统网格点数　失效当该条所依赖的尺度分离、校准或选择函数不能保持时不成立　自曝『物理信息神经网络把方程放进损失』的原始材料只直接支持“2019年的PINN框架在非线性PDE和参数识别例子中用无网格采样得到连续近似，并从不完整数据恢复系数”，没有自动覆盖边界外对象　空栏『物理信息神经网络把方程放进损失』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名控制论称软约束辨识，统计学称结构正则化；另见第 213 号第 16 条『十六、物理信息神经网络』

四、PINN梯度病态的公开清算Gradient-Pathology Audit of PINNs

提出Wang、Teng与Perdikaris，2021年《SIAM科学计算杂志》43:A3055–A3081，DOI 10.1137/20M1318043　争议Wang、Teng与Perdikaris，2021年《SIAM科学计算杂志》43:A3055–A3081，DOI 10.1137/20M1318043　最新Oommen等，2024年《npj计算材料》10:145，DOI 10.1038/s41524-024-01319-1　关键不同损失项的梯度尺度和传播速度若失衡，网络会优先满足容易条件而忽略主方程；必须诊

PINN阳性案例常把训练失败归因于超参数，默认方程进入损失就会自动提供正确物理。这套默认在低精度、低通量时代看似够用，但当实验开始逐事件、逐原子或逐像素记录时，平均化掩盖的相关性变成主信号。领域需要一种能对反例负责的新表述。

不同损失项的梯度尺度和传播速度若失衡，网络会优先满足容易条件而忽略主方程；必须诊断优化动力学。可反驳命题是：若这一说法成立，改变该控制量而保持其余条件近似不变时，输出应按预定方向变化；若只有事后拟合才能得到关系，它就不是机制。

2021年的分析显示多任务梯度不平衡可导致边界项与方程项训练速率跨多个数量级，并提出自适应加权缓解。实验把此前只存在于理论图中的控制量变成可测对象，并用数量级差异而非主观图像支持结论。关键读数既限定了效应大小，也显示装置在哪个区域开始饱和或失真。

权重调节未解决所有谱偏置和因果传播问题，某些PDE仍由成熟数值法更可靠。复制并非简单重复原实验，因为更换装置会同时更换选择函数。要判断分歧来自物理还是测量，必须把原始数据重新通过双方管线处理，并比较结果对阈值、先验与背景模型的敏感度。到2024年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“PINN梯度病态的公开清算”把领域的验收对象从单个峰值改成可复算的最大损失梯度范数占最小损失梯度范数的比。，并要求阴性样本也进入分母。负结果只有在暴露量、检测效率与盲分析规则预先写明时才有含义；否则零读数仍可能只是装置没有资格看见。因而，成熟度不应按一次最佳表现衡量，而应按跨批次方差、恢复时间和单位资源产出衡量。对“PINN梯度病态的公开清算”而言，最有信息量的下一步不是再报一个最高值，而是把最大损失梯度范数占最小损失梯度范数的比。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“PINN梯度病态的公开清算”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。从接口上看，它与本面板其他条目的关系在于：局部机制只有经过准备、输运、读出和统计四个环节仍保留同一量纲，才算完成闭环。若某一环节重新定义分母，跨实验比较就会失真。因此，源行中的作者、年份与读数不是装饰，而是命题的责任链。删去对象、机构与量化锚点后若论证仍不受影响，说明它仍停留在一般道理，没有真正交代本领域发生了什么。

位置E——把『PINN梯度病态的公开清算』成立所需的边界环境作为首要显露　单因决定『PINN梯度病态的公开清算』当前结论的最小充分项只有：不同损失项的梯度尺度和传播速度若失衡，网络会优先满足容易条件而忽略主方程；必须诊　预设〔04 尺度迁移不改变结论〕损失项的梯度流能够代表各物理约束被满足的速度　量纲最大损失梯度范数／最小损失梯度范数　失效当该条所依赖的尺度分离、校准或选择函数不能保持时不成立　自曝『PINN梯度病态的公开清算』的原始材料只直接支持“2021年的分析显示多任务梯度不平衡可导致边界项与方程项训练速率跨多个数量级，并提出自适应加权缓解”，没有自动覆盖边界外对象　空栏『PINN梯度病态的公开清算』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名多任务学习称梯度冲突，组织管理称指标挤出；另见第 214 号第 17 条『多目标梯度：Pareto冲突必须在训练中显式结算』

五、神经算子学习函数到函数的映射Neural Operators for Parametric PDEs

提出Li等，2021年《国际学习表征会议论文集》　争议Li等，2021年《国际学习表征会议论文集》　最新Oommen等，2024年《npj计算材料》10:145，DOI 10.1038/s41524-024-01319-1　关键神经算子直接学习输入函数到解函数的映射，可在一族PDE参数、初值和网格之间复用

传统代理模型绑定固定网格和有限参数向量，换分辨率或边界就需重新训练。过去的处理把这一差异归到样品偶然性或仪器噪声中，因而只能在事后补解释。真正卡住的是：若旧默认成立，某些重复出现的分叉就不应随控制量系统变化。

神经算子直接学习输入函数到解函数的映射，可在一族PDE参数、初值和网格之间复用。关键不是换一个名词，而是换判据：研究者必须预先说明什么算一次事件、谁进入分母以及越过哪个阈值会改变行为。只要这些量不随实验改变，命题就应在新样本上保留。

2021年的傅里叶神经算子在流体和椭圆方程上以频域卷积学习解算子，并在新分辨率上零样本超分辨。由于数据同时记录了信号、背景和校准源，结论不依赖单一拟合曲线；即使换用更保守的分析窗口，方向仍保留。正是这种“读数在分析选择下不翻转”的性质让命题真正立住。

高频细节、复杂几何和分布外边界会被谱截断；若忽略训练集生成成本，速度优势会被高估。该条最容易被过度传播成单因果解释，而原论文给出的其实是必要条件或强相关判据。只有在保持竞争变量不变时干预核心量，才能把它从高质量指标推进为因果控制量。到2024年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“神经算子学习函数到函数的映射”把领域的验收对象从单个峰值改成可复算的代理推理时间占直接求解时间的比例，并要求阴性样本也进入分母。平台化之后，发现不再依赖单次手工调参，而取决于接口、校准和元数据能否让另一团队复用同一操作。对实践而言，这意味着未来报告不能只给峰值结果，还应给准备成功率、有效占空比和失败样本；否则不同团队无法判断收益来自物理机制还是筛选。对“神经算子学习函数到函数的映射”而言，最有信息量的下一步不是再报一个最高值，而是把代理推理时间占直接求解时间的比例。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“神经算子学习函数到函数的映射”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。这条还提供了一个反例检查：把同一数据交给不共享先验的另一管线，若结论随分析者身份翻转，就说明机制尚未从方法中分离。面板中的方法学条目因此不是附录，而是所有物理主张的边界。

位置D——把『神经算子学习函数到函数的映射』中的操作次序与变化路径作为首要显露　单因决定『神经算子学习函数到函数的映射』当前结论的最小充分项只有：神经算子直接学习输入函数到解函数的映射，可在一族PDE参数、初值和网格之间复用　预设〔05 观测与干预不回写对象〕目标算子在训练函数族上可由有限频率模式逼近　量纲代理推理时间／直接求解时间　失效当该条所依赖的尺度分离、校准或选择函数不能保持时不成立　自曝『神经算子学习函数到函数的映射』的原始材料只直接支持“2021年的傅里叶神经算子在流体和椭圆方程上以频域卷积学习解算子，并在新分辨率上零样本超分辨”，没有自动覆盖边界外对象　空栏『神经算子学习函数到函数的映射』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名泛函分析称算子逼近，工程称数字替身；另见第 213 号第 17 条『十七、神经算子』

六、可微分物理把模拟器变成控制器Differentiable Physics

提出Holl、Koltun与Thuerey，2020年《国际学习表征会议论文集》　争议Holl、Koltun与Thuerey，2020年《国际学习表征会议论文集》　最新Oommen等，2024年《npj计算材料》10:145，DOI 10.1038/s41524-024-01319-1　关键若离散求解过程可微，目标对控制量的梯度可穿过时间积分反向传播，使模拟和学习组成同

控制和设计常把模拟器当黑箱，通过有限差分或大量试验搜索参数，梯度昂贵且噪声大。在这种图景里，研究者常用一个平均量替代完整过程，异常样本则被视为偏离。问题在于，越来越多数据表明异常会按同一方向成群出现，说明旧变量并没有抓住决定性的自由度。

若离散求解过程可微，目标对控制量的梯度可穿过时间积分反向传播，使模拟和学习组成同一优化图。它把原来不可区分的两种解释分开：一种预言响应随局部变量变化，另一种只随总量变化。实验可以通过正交操纵两者直接判定，因此这不是比喻，而是一条可以失败的关系。

2020年的工作用可微流体求解器学习闭环PDE控制，在较少交互下优化时空控制策略。更要紧的是，研究者报告了样本数、置信区间或误差预算，而非只展示代表性图像。这样一来，反对者可以复算效应量，也能指出究竟是哪一段校准链造成分歧。

长时间反向传播会梯度爆炸或消失，离散梯度也未必等于连续伴随，接触与拓扑变化尤难。争议因此没有以“支持或反对”二分结束，而是落到适用域：哪些噪声、尺度与边界条件会把效应伪装出来。若这些条件不被独立测量，任何漂亮一致性都可能只是共同系统误差。到2024年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“可微分物理把模拟器变成控制器”把领域的验收对象从单个峰值改成可复算的达到同一目标误差所需前向模拟次数占黑箱优化次数的比例，并要求阴性样本也进入分母。它把“能实现一次”与“能重复维持”分开，前者是演示，后者才要求漂移、热负荷与反馈带宽进入同一账本。方法上还产生了一条后果：阴性数据必须保留，因为阈值以下的“没发生”正是确定状态边界所需的信息，删掉它会把相图人为变陡。对“可微分物理把模拟器变成控制器”而言，最有信息量的下一步不是再报一个最高值，而是把达到同一目标误差所需前向模拟次数占黑箱优化次数的比例。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“可微分物理把模拟器变成控制器”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。与相邻领域相比，本块关心的不是一般意义上的“性能更好”，而是该性能由哪一个微观或观测机制产生。相邻工程面板可以负责制造与控制，本块必须负责证明读数确实对应所声称的物理对象。

位置E——把『可微分物理把模拟器变成控制器』成立所需的边界环境作为首要显露　单因决定『可微分物理把模拟器变成控制器』当前结论的最小充分项只有：若离散求解过程可微，目标对控制量的梯度可穿过时间积分反向传播，使模拟和学习组成同　预设〔05 观测与干预不回写对象〕模拟器的关键操作在目标区间内可微且数值稳定　量纲达到同一目标误差所需前向模拟次数／黑箱优化次数　失效当该条所依赖的尺度分离、校准或选择函数不能保持时不成立　自曝『可微分物理把模拟器变成控制器』的原始材料只直接支持“2020年的工作用可微流体求解器学习闭环PDE控制，在较少交互下优化时空控制策略”，没有自动覆盖边界外对象　空栏『可微分物理把模拟器变成控制器』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名最优控制称伴随法，机器学习称端到端梯度；另见第 215 号第 17 条『深度强化学习托卡马克控制：控制器可以直接学习线圈动作』

七、不变量嵌入的湍流闭合Invariant Data-Driven Turbulence Closure

提出Ling、Kurzawski与Templeton，2016年《流体力学杂志》807:155–166，DOI 10.1017/jfm.2016.615　争议Ling、Kurzawski与Templeton，2016年《流体力学杂志》807:155–166，DOI 10.1017/jfm.2016.615　最新Karniadakis等，2021年《自然·物理评论》3:422–440，DOI 10.1038/s42254-021-00314-5　关键把Galilean不变性和张量基写入网络，可学习雷诺应力各向异性而保持坐标客观性

数据驱动闭合若直接学习坐标分量，会随旋转和参考系改变，拟合准确却违反基本张量性质。旧框架能描述终点，却解释不了从初态到终态所经历的路径，也无法回答为何相似输入会给出不同输出。于是问题从“再提高精度”变成“此前漏掉了哪一个可操纵的状态量”。

把Galilean不变性和张量基写入网络，可学习雷诺应力各向异性而保持坐标客观性。由此，研究对象不再是孤立部件，而是“对象—驱动—读出”复合系统；性能只有连同准备、选择与恢复过程一起计算才有物理意义。

2016年的张量基神经网络在分离流测试中改善应力预测，并确保输出由不变量和基张量组合。这组读数的重要性不在单个纪录，而在它同时给出基线、对照与变化幅度，使旧默认和新命题在同一实验中受到检验。后续工作若采用不同装置，也必须能在同一比率或阈值上对齐。

训练流型之外的压力梯度、曲率和转捩仍可能失效，局部特征难表示长程历史。反对意见迫使该理论从普遍口号退回条件命题。它在给定分辨率和驱动范围内成立，并不保证外推到更大尺度、不同材料或更长时间；真正未决的是失效边界能否由第一性参数预测。到2021年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“不变量嵌入的湍流闭合”把领域的验收对象从单个峰值改成可复算的分布外流动误差占分布内流动误差的比例，并要求阴性样本也进入分母。这也暴露出标签的历史性：数据库覆盖什么、阈值怎样设定，会直接改变“普遍”与“稀有”的比例。这也改变了资源配置：与其继续把全部预算押在单一纪录上，不如增加正交传感和公开校准，使每一次失败都能缩小模型空间。对“不变量嵌入的湍流闭合”而言，最有信息量的下一步不是再报一个最高值，而是把分布外流动误差占分布内流动误差的比例。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“不变量嵌入的湍流闭合”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。把它与后续条目并置会看到，同一控制量在不同尺度上可能换名，却仍可用相同的比率、时长或阈值比较。异名登记因此不是装饰，而是防止一个现象被多个领域各自重复发现的索引。因此，源行中的作者、年份与读数不是装饰，而是命题的责任链。删去对象、机构与量化锚点后若论证仍不受影响，说明它仍停留在一般道理，没有真正交代本领域发生了什么。

位置S——把『不变量嵌入的湍流闭合』形成的对象结构作为首要显露　单因决定『不变量嵌入的湍流闭合』当前结论的最小充分项只有：把Galilean不变性和张量基写入网络，可学习雷诺应力各向异性而保持坐标客观性　预设〔05 观测与干预不回写对象〕闭合量的对称变换规律已知且训练数据覆盖主要机制　量纲分布外流动误差／分布内流动误差　失效当该条所依赖的尺度分离、校准或选择函数不能保持时不成立　自曝『不变量嵌入的湍流闭合』的原始材料只直接支持“2016年的张量基神经网络在分离流测试中改善应力预测，并确保输出由不变量和基张量组合”，没有自动覆盖边界外对象　空栏『不变量嵌入的湍流闭合』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名连续介质称客观性，公平学习称不变表征；另见第 212 号第 11 条『对称性神经网络：群表示决定可学习层的形状』

八、稀疏动力学识别Sparse Identification of Nonlinear Dynamics

提出Brunton、Proctor与Kutz，2016年《美国国家科学院院刊》113:3932–3937，DOI 10.1073/pnas.1517384113　争议Brunton、Proctor与Kutz，2016年《美国国家科学院院刊》113:3932–3937，DOI 10.1073/pnas.1517384113　最新Karniadakis等，2021年《自然·物理评论》3:422–440，DOI 10.1038/s42254-021-00314-5　关键若真实动力学由少数项组成，可用稀疏回归从候选函数库中识别控制方程和有效项

从数据发现方程常在庞大函数库中得到密集模型，拟合好却难解释且外推差。这套默认在低精度、低通量时代看似够用，但当实验开始逐事件、逐原子或逐像素记录时，平均化掩盖的相关性变成主信号。领域需要一种能对反例负责的新表述。

若真实动力学由少数项组成，可用稀疏回归从候选函数库中识别控制方程和有效项。可反驳命题是：若这一说法成立，改变该控制量而保持其余条件近似不变时，输出应按预定方向变化；若只有事后拟合才能得到关系，它就不是机制。

2016年的SINDy从含噪时间序列恢复Lorenz系统、流体尾流和生物动力学的低维方程。实验把此前只存在于理论图中的控制量变成可测对象，并用数量级差异而非主观图像支持结论。关键读数既限定了效应大小，也显示装置在哪个区域开始饱和或失真。

导数估计、字典缺项和强噪声会选错结构；稀疏不等于物理因果或坐标唯一。复制并非简单重复原实验，因为更换装置会同时更换选择函数。要判断分歧来自物理还是测量，必须把原始数据重新通过双方管线处理，并比较结果对阈值、先验与背景模型的敏感度。到2021年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“稀疏动力学识别”把领域的验收对象从单个峰值改成可复算的入选方程项数占候选库项数的比例，并要求阴性样本也进入分母。这条线改变了推断的责任分配：模型不再只给最优参数，还必须说明先验、选择效应与未建模残差分别占了多少。因而，成熟度不应按一次最佳表现衡量，而应按跨批次方差、恢复时间和单位资源产出衡量。对“稀疏动力学识别”而言，最有信息量的下一步不是再报一个最高值，而是把入选方程项数占候选库项数的比例。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“稀疏动力学识别”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。从接口上看，它与本面板其他条目的关系在于：局部机制只有经过准备、输运、读出和统计四个环节仍保留同一量纲，才算完成闭环。若某一环节重新定义分母，跨实验比较就会失真。因此，源行中的作者、年份与读数不是装饰，而是命题的责任链。删去对象、机构与量化锚点后若论证仍不受影响，说明它仍停留在一般道理，没有真正交代本领域发生了什么。

位置E——把『稀疏动力学识别』成立所需的边界环境作为首要显露　单因决定『稀疏动力学识别』当前结论的最小充分项只有：若真实动力学由少数项组成，可用稀疏回归从候选函数库中识别控制方程和有效项　预设〔06 聚合次序不影响结论〕存在一个相对稀疏且观测可辨的函数基　量纲入选方程项数／候选库项数　失效当该条所依赖的尺度分离、校准或选择函数不能保持时不成立　自曝『稀疏动力学识别』的原始材料只直接支持“2016年的SINDy从含噪时间序列恢复Lorenz系统、流体尾流和生物动力学的低维方程”，没有自动覆盖边界外对象　空栏『稀疏动力学识别』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名系统辨识称结构发现，科学哲学称简约模型；另见第 588 号第 8 条『稀疏动力学发现生命方程』

九、百亿亿次计算的协同设计Exascale Co-Design

提出美国能源部，2024年《百亿亿次计算计划最终报告》（项目报告）　争议美国能源部，2016年“百亿亿次计算项目启动与软件协同设计”机构资料　最新Oommen等，2024年《npj计算材料》10:145，DOI 10.1038/s41524-024-01319-1　关键百亿亿次时代必须让算法、数据布局、软件栈和硬件共同设计，实际科学吞吐受内存、通信

超级计算性能曾主要按峰值浮点数排序，应用只需等待更快机器即可自动加速。过去的处理把这一差异归到样品偶然性或仪器噪声中，因而只能在事后补解释。真正卡住的是：若旧默认成立，某些重复出现的分叉就不应随控制量系统变化。

百亿亿次时代必须让算法、数据布局、软件栈和硬件共同设计，实际科学吞吐受内存、通信、韧性和I/O同时限制。关键不是换一个名词，而是换判据：研究者必须预先说明什么算一次事件、谁进入分母以及越过哪个阈值会改变行为。只要这些量不随实验改变，命题就应在新样本上保留。

2024年美国百亿亿次计算计划总结将多物理应用、数学库和软件生态共同移植到GPU主导系统，并以应用里程碑验收。由于数据同时记录了信号、背景和校准源，结论不依赖单一拟合曲线；即使换用更保守的分析窗口，方向仍保留。正是这种“读数在分析选择下不翻转”的性质让命题真正立住。

项目报告中的成功案例具有选择性，不同应用的可移植性和能耗收益不等；峰值达标不代表全工作流加速。该条最容易被过度传播成单因果解释，而原论文给出的其实是必要条件或强相关判据。只有在保持竞争变量不变时干预核心量，才能把它从高质量指标推进为因果控制量。到2016年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“百亿亿次计算的协同设计”把领域的验收对象从单个峰值改成可复算的实际应用持续性能占机器峰值性能的比例，并要求阴性样本也进入分母。这使“更大”不再是唯一方向，复制、分级与模块化都可成为扩展路径，但它们必须用单位资源的有效输出比较。对实践而言，这意味着未来报告不能只给峰值结果，还应给准备成功率、有效占空比和失败样本；否则不同团队无法判断收益来自物理机制还是筛选。对“百亿亿次计算的协同设计”而言，最有信息量的下一步不是再报一个最高值，而是把实际应用持续性能占机器峰值性能的比例。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“百亿亿次计算的协同设计”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。这条还提供了一个反例检查：把同一数据交给不共享先验的另一管线，若结论随分析者身份翻转，就说明机制尚未从方法中分离。面板中的方法学条目因此不是附录，而是所有物理主张的边界。

位置S——把『百亿亿次计算的协同设计』形成的对象结构作为首要显露　单因决定『百亿亿次计算的协同设计』当前结论的最小充分项只有：百亿亿次时代必须让算法、数据布局、软件栈和硬件共同设计，实际科学吞吐受内存、通信　预设〔06 聚合次序不影响结论〕应用瓶颈可以通过软硬件联合重构而不是单靠时钟频率消除　量纲实际应用持续性能／机器峰值性能　失效当该条所依赖的尺度分离、校准或选择函数不能保持时不成立　自曝『百亿亿次计算的协同设计』的原始材料只直接支持“2024年美国百亿亿次计算计划总结将多物理应用、数学库和软件生态共同移植到GPU主导系统，并以应用里程碑验收”，没有自动覆盖边界外对象　空栏『百亿亿次计算的协同设计』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名系统工程称协同设计，供应链称端到端优化；另见第 583 号第 12 条『ECP百亿亿次协同设计』

十、通用原子势的预训练范式Pretrained Universal Atomistic Potentials

提出Deng等，2023年《自然·机器智能》5:1031–1041，DOI 10.1038/s42256-023-00716-3　争议Deng等，2023年《自然·机器智能》5:1031–1041，DOI 10.1038/s42256-023-00716-3　最新Deng等，2025年《npj计算材料》11:9，DOI 10.1038/s41524-024-01500-6　关键在大规模多元素第一性原理数据上预训练，可得到覆盖周期表的通用势，并通过少量数据微

机器学习势通常为单一化学体系从头训练，建立数据集的成本阻碍跨材料使用。在这种图景里，研究者常用一个平均量替代完整过程，异常样本则被视为偏离。问题在于，越来越多数据表明异常会按同一方向成群出现，说明旧变量并没有抓住决定性的自由度。

在大规模多元素第一性原理数据上预训练，可得到覆盖周期表的通用势，并通过少量数据微调到具体任务。它把原来不可区分的两种解释分开：一种预言响应随局部变量变化，另一种只随总量变化。实验可以通过正交操纵两者直接判定，因此这不是比喻，而是一条可以失败的关系。

2023年的CHGNet在材料数据库上预训练并引入电荷和磁矩信息，展示跨材料结构弛豫与动力学预测。更要紧的是，研究者报告了样本数、置信区间或误差预算，而非只展示代表性图像。这样一来，反对者可以复算效应量，也能指出究竟是哪一段校准链造成分歧。

“通用”主要覆盖接近平衡无机晶体；表面、缺陷、反应和高能态仍可能分布外。争议因此没有以“支持或反对”二分结束，而是落到适用域：哪些噪声、尺度与边界条件会把效应伪装出来。若这些条件不被独立测量，任何漂亮一致性都可能只是共同系统误差。到2025年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“通用原子势的预训练范式”把领域的验收对象从单个峰值改成可复算的微调所需标注构型数占从头训练构型数的比例，并要求阴性样本也进入分母。平台的优点并非自动高通量，而是把失败也标准化，使不同批次、不同实验室的阴性结果可以累加。方法上还产生了一条后果：阴性数据必须保留，因为阈值以下的“没发生”正是确定状态边界所需的信息，删掉它会把相图人为变陡。对“通用原子势的预训练范式”而言，最有信息量的下一步不是再报一个最高值，而是把微调所需标注构型数占从头训练构型数的比例。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“通用原子势的预训练范式”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。与相邻领域相比，本块关心的不是一般意义上的“性能更好”，而是该性能由哪一个微观或观测机制产生。相邻工程面板可以负责制造与控制，本块必须负责证明读数确实对应所声称的物理对象。

位置D——把『通用原子势的预训练范式』中的操作次序与变化路径作为首要显露　单因决定『通用原子势的预训练范式』当前结论的最小充分项只有：在大规模多元素第一性原理数据上预训练，可得到覆盖周期表的通用势，并通过少量数据微　预设〔06 聚合次序不影响结论〕跨化学体系存在可共享的局域表示与参数　量纲微调所需标注构型数／从头训练构型数　失效当该条所依赖的尺度分离、校准或选择函数不能保持时不成立　自曝『通用原子势的预训练范式』的原始材料只直接支持“2023年的CHGNet在材料数据库上预训练并引入电荷和磁矩信息，展示跨材料结构弛豫与动力学预测”，没有自动覆盖边界外对象　空栏『通用原子势的预训练范式』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名语言模型称基础模型，工程称通用底座；另见第 596 号第 20 条『蛋白质语言模型接入自动生物铸造厂』

十一、通用势能面的系统软化Systematic Softening of Universal Potentials

提出Deng等，2025年《npj计算材料》11:9，DOI 10.1038/s41524-024-01500-6　争议Batzner等，2022年《自然·通讯》13:2453，DOI 10.1038/s41467-022-29939-5　最新Deng等，2025年《npj计算材料》11:9，DOI 10.1038/s41524-024-01500-6　关键近基态训练偏置会使高能区的能量、力和曲率系统性低估，形成可测的势能面软化而非随机

通用机器学习势常用平均绝对误差验收，误差被默认围绕零随机分布。旧框架能描述终点，却解释不了从初态到终态所经历的路径，也无法回答为何相似输入会给出不同输出。于是问题从“再提高精度”变成“此前漏掉了哪一个可操纵的状态量”。

近基态训练偏置会使高能区的能量、力和曲率系统性低估，形成可测的势能面软化而非随机噪声。由此，研究对象不再是孤立部件，而是“对象—驱动—读出”复合系统；性能只有连同准备、选择与恢复过程一起计算才有物理意义。

2025年的基准在表面、缺陷、迁移、声子和一千种化合物高能构型中发现多数模型斜率小于一，超过九成材料出现软化迹象。这组读数的重要性不在单个纪录，而在它同时给出基线、对照与变化幅度，使旧默认和新命题在同一实验中受到检验。后续工作若采用不同装置，也必须能在同一比率或阈值上对齐。

线性校正只在局部化学空间有效，新模型和更广数据可能改变比例；软化尺度也不能替代任务特定误差。反对意见迫使该理论从普遍口号退回条件命题。它在给定分辨率和驱动范围内成立，并不保证外推到更大尺度、不同材料或更长时间；真正未决的是失效边界能否由第一性参数预测。到2022年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“通用势能面的系统软化”把领域的验收对象从单个峰值改成可复算的机器学习力相对第一性原理力的回归斜率。，并要求阴性样本也进入分母。它的贡献主要是否定性的：缩小了一个长期流行说法的适用域，并把“没看到”转成对模型空间的定量切割。这也改变了资源配置：与其继续把全部预算押在单一纪录上，不如增加正交传感和公开校准，使每一次失败都能缩小模型空间。对“通用势能面的系统软化”而言，最有信息量的下一步不是再报一个最高值，而是把机器学习力相对第一性原理力的回归斜率。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“通用势能面的系统软化”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。把它与后续条目并置会看到，同一控制量在不同尺度上可能换名，却仍可用相同的比率、时长或阈值比较。异名登记因此不是装饰，而是防止一个现象被多个领域各自重复发现的索引。

位置S——把『通用势能面的系统软化』形成的对象结构作为首要显露　单因决定『通用势能面的系统软化』当前结论的最小充分项只有：近基态训练偏置会使高能区的能量、力和曲率系统性低估，形成可测的势能面软化而非随机　预设〔01 谁进入分母〕训练集主要采样势能极小值附近，且外推仍被相同损失函数平滑　量纲达到『机器学习力相对第一性原理力的回归斜率』判据的对象数／本条全部纳入对象数　失效当该条所依赖的尺度分离、校准或选择函数不能保持时不成立　自曝『通用势能面的系统软化』的原始材料只直接支持“2025年的基准在表面、缺陷、迁移、声子和一千种化合物高能构型中发现多数模型斜率小于一，超过九成材料出现软化迹象”，没有自动覆盖边界外对象　空栏『通用势能面的系统软化』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名金融称系统性低估风险，计量称比例偏差；另见第 589 号第 2 条『系统性风险CoVaR』

十二、直接求解器与神经算子的混合Hybrid Direct Solvers and Neural Operators

提出Oommen等，2024年《npj计算材料》10:145，DOI 10.1038/s41524-024-01319-1　争议Oommen等，2024年《npj计算材料》10:145，DOI 10.1038/s41524-024-01319-1　最新Deng等，2025年《npj计算材料》11:9，DOI 10.1038/s41524-024-01500-6　关键把高保真求解器留在误差敏感区、用神经算子跨越昂贵时间段或参数区，可形成可校正的混

神经算子常被宣传为完全替代数值求解器，直接求解又被视为无法覆盖长时间和参数扫描。这套默认在低精度、低通量时代看似够用，但当实验开始逐事件、逐原子或逐像素记录时，平均化掩盖的相关性变成主信号。领域需要一种能对反例负责的新表述。

把高保真求解器留在误差敏感区、用神经算子跨越昂贵时间段或参数区，可形成可校正的混合模拟。可反驳命题是：若这一说法成立，改变该控制量而保持其余条件近似不变时，输出应按预定方向变化；若只有事后拟合才能得到关系，它就不是机制。

2024年的材料演化研究把直接数值模拟与神经算子耦合，在保持长期形貌趋势的同时降低多次参数计算成本。实验把此前只存在于理论图中的控制量变成可测对象，并用数量级差异而非主观图像支持结论。关键读数既限定了效应大小，也显示装置在哪个区域开始饱和或失真。

代理误差会在长时间积分中累积，切换边界和守恒量修正决定混合系统是否稳定。复制并非简单重复原实验，因为更换装置会同时更换选择函数。要判断分歧来自物理还是测量，必须把原始数据重新通过双方管线处理，并比较结果对阈值、先验与背景模型的敏感度。到2025年的前身、反证或后续检验，争论仍集中在这一边界。

由此，“直接求解器与神经算子的混合”把领域的验收对象从单个峰值改成可复算的混合工作流时间占全直接模拟时间的比例，并要求阴性样本也进入分母。它把“能实现一次”与“能重复维持”分开，前者是演示，后者才要求漂移、热负荷与反馈带宽进入同一账本。因而，成熟度不应按一次最佳表现衡量，而应按跨批次方差、恢复时间和单位资源产出衡量。对“直接求解器与神经算子的混合”而言，最有信息量的下一步不是再报一个最高值，而是把混合工作流时间占全直接模拟时间的比例。用本条原始对象、原始读数与独立材料复核；当比较分母改变，结论就必须重新命名。

它与本块方法学条目共同说明，“直接求解器与神经算子的混合”只有在独立管线、盲样本和外推区间中保留同一方向，才算从演示变成知识。从接口上看，它与本面板其他条目的关系在于：局部机制只有经过准备、输运、读出和统计四个环节仍保留同一量纲，才算完成闭环。若某一环节重新定义分母，跨实验比较就会失真。因此，源行中的作者、年份与读数不是装饰，而是命题的责任链。删去对象、机构与量化锚点后若论证仍不受影响，说明它仍停留在一般道理，没有真正交代本领域发生了什么。

位置S——把『直接求解器与神经算子的混合』形成的对象结构作为首要显露　单因决定『直接求解器与神经算子的混合』当前结论的最小充分项只有：把高保真求解器留在误差敏感区、用神经算子跨越昂贵时间段或参数区，可形成可校正的混　预设〔02 单一读数代表复杂对象〕直接解与代理解之间存在可监测的重叠区和纠错接口　量纲混合工作流时间／全直接模拟时间　失效当该条所依赖的尺度分离、校准或选择函数不能保持时不成立　自曝『直接求解器与神经算子的混合』的原始材料只直接支持“2024年的材料演化研究把直接数值模拟与神经算子耦合，在保持长期形貌趋势的同时降低多次参数计算成本”，没有自动覆盖边界外对象　空栏『直接求解器与神经算子的混合』账本尚未纳入的中止路径、未达阈值对象、极端尾部与长期环境回写　异名医学称混合诊断，工业称人机协同；另见第 600 号第 15 条『人机协同把接管能力改成共同态势』

◎ 二十年连起来看

第一条贯穿线索是：计算对象从“一个方程的一次解”变成模型、数据、硬件、误差与代理共同组成的可审计工作流。第一幕把原先只能在统计平均中出现的对象变成可单次准备和读出的对象；第二幕则要求把准备、控制、测量与误差预算写进同一关系，纪录值因而让位于完整可复现率。

第二条线索是判据的改写。本领域不再接受“看到了类似图像”作为结论，而要求报告样本进入分母的规则、对照组、校准链和失效区间；同一名词只有在这些读数可换算时才指向同一物理。

第三条线索是平台化及其自我清算。平台提高通量，也暴露漂移、选择偏差与隐藏自由度。两幕共同未解决的问题，是怎样在不依赖事后筛选的条件下，把微弱效应稳定地搬到新装置与新样本。

◎ 三个常见误解

误解：计算物理与多尺度模拟的进步等于把单次纪录不断推高。它之所以容易成立，是因为纪录最容易传播，也常由极少数最优事件定义。更准确的表述是：成熟度应按单位时间有效事件数、跨批次方差和盲分析后的保留率判断。

误解：模型与实验只要中心值一致就说明机制正确。它之所以容易成立，是因为多个模型常能在有限窗口拟合同一曲线。更准确的表述是：必须用残差结构、外推和正交扰动区分机制，而不是只比较一条最佳拟合线。

误解：背景越低越好，最好把它全部扣掉。它之所以容易成立，是因为背景在早期被当作纯噪声处理。更准确的表述是：背景的时变、相关性和空间结构常是选择函数的一部分，必须建模而不是静默删除。

◎ 与相邻领域的接口

与数值分析的接口在于数值分析给离散误差与稳定性理论，本块追问模型、软件、数据和代理在实际物理预测中怎样共同失效；分工判据是定理边界还是端到端证据链。

与材料科学与工程的接口在于材料面板负责候选的结构—性能和实验验证，本块负责数据库、势能面与多尺度模拟的可信度；分工判据是合成结果还是预测误差。

与人工智能与机器学习的接口在于机器学习面板关注通用模型架构，本块只保留能写出物理约束、守恒、外推和误差分母的模型。

◎ 争议现场

争议是纪录值与可复现率谁更能代表进展。现有分歧表现为一方强调最佳样本揭示物理上限，另一方强调最佳样本可能来自未公开筛选。要使争论收敛，需要在多实验室盲样本上同时报告最佳值、中位数、有效占空比和失败类型

争议是更复杂模型是否真的增加解释力。现有分歧表现为一方用更多自由度改善拟合，另一方指出外推误差与参数不可识别同步上升。要使争论收敛，需要预注册外推区间，并让竞争模型在同一原始数据和同一损失函数下比较

争议是平台自动化是否削弱物理判断。现有分歧表现为自动化可以扩大扫描范围，也可能把隐藏偏差高速复制。要使争论收敛，需要公开训练数据、校准日志和人工接管点，并比较自动与人工管线在盲事件上的误报率

◎ 往下五年看什么

观察点是独立实验室复现时，关键无量纲读数的中位偏差是否低于预先规定的容差，而不是只问是否再次得到“显著”结果。

观察点是论文中同时公开原始信号、校准记录、选择函数和分析代码的比例能否持续上升，并使负结果可进入合并分析。

观察点是单位设备时间或单位能量得到的有效、可用事件数是否提高；若峰值变好而有效占空比下降，平台并未真正进步。

观察点是跨装置比较是否开始使用共同基准样本和盲分析；这是判断系统误差能否从物理效应中分离的直接读数。

◎ 可与哪些领域对撞

本块“验证—确认—不确定度三分法”与第245号系统工程“持续保证案例”条目共享的预设是模型可信度必须随证据和配置更新。两边相反之处在于计算物理把误差拆成数值、模型和参数，系统工程把论证拆成需求、危险与证据。若两边都成立，若两边都成立，模型的版本与适用域就必须成为运行状态而不是论文脚注。

本块“稀疏动力学识别”与第244号运筹学“因果强化学习”条目共享的预设是从观察轨迹中恢复规则需要区分预测与干预。两边相反之处在于SINDy优先最少方程项，因果学习优先干预稳定性。若两边都成立，必须引入第三个判据——跨干预外推——来决定稀疏模型是否只是相关压缩。

本块“原位分析打破存盘后处理”与第320号天文巡天“实时告警流”条目共享的预设是数据产生速度超过存储和人工复核速度。两边相反之处在于模拟在生成时提取特征，巡天在曝光后即时发出候选。若两边都成立，两者共同风险是早期过滤不可逆地定义了后来能被发现的对象。

◎ 十条可做的研究命题

1. 计算物理与多尺度模拟中最常用的峰值指标不能预测跨实验室复现率；建立至少三套装置的共享盲样本，比较峰值、中位数与复现误差；若峰值指标在样本外对复现率的预测显著优于中位数与稳定性指标，命题被证伪。

2. 把选择函数写进模型会系统改变参数后验；对同一数据分别使用显式与隐式选择函数分析，并比较覆盖率；若两种分析在盲注入信号上的覆盖率和偏差无可测差异，命题被证伪。

3. 背景的相关结构比背景总量更能决定误报；保持总背景近似不变而改变时间或空间相关性，比较误报率；若误报率只由总背景计数决定而与相关结构无关，命题被证伪。

4. 开放校准日志能降低跨批次系统偏差；随机选择部分实验公开完整日志、部分只公开终值，交叉复算；若完整日志组的复算偏差不低于终值组，命题被证伪。

5. 自动优化会把训练分布外的漂移放大；在受控漂移下比较自动闭环与固定策略的恢复轨迹；若自动闭环在漂移条件下的最坏误差不高于训练分布内误差，命题被证伪。

6. 以单位资源产出排序会改变纪录型方案的优先级；同时核算能量、时间、维护与有效事件，重排候选方案；若资源归一化后的排序与峰值排序完全一致，命题被证伪。

7. 负结果的保存能缩小后续搜索空间；让两组团队分别获得含与不含阴性数据的历史记录，比较盲搜索效率；若两组发现率与误报率没有差异，命题被证伪。

8. 竞争模型的残差结构可提前暴露错误机制；在已知真值的模拟与真实数据上比较残差白化和样本外外推；若残差诊断不能区分已知错误与正确模型，命题被证伪。

9. 共同基准会提高跨装置量纲换算的稳定性；引入同一校准源前后比较换算系数方差；若换算系数方差没有下降，命题被证伪。

10. 同题异名登记能发现被重复发明的机制；抽取相邻面板条目的预设与量纲，盲评其机制同一性；若异名登记不能提高跨领域匹配的准确率，命题被证伪。

◎ 资料核验

下列条目用于核对正文中的提出者、年份、期刊卷页、DOI与关键读数。预印本、项目报告或合作组公告均明确标注类型；同一文献只列一次。

Anderson JA, Lorenz CD, Travesset A. General purpose molecular dynamics simulations fully implemented on graphics processing units. Journal of Computational Physics 227, 5342–5359 (2008). DOI: 10.1016/j.jcp.2008.01.047.
Shell MS. The relative entropy is fundamental to multiscale and inverse thermodynamic problems. Journal of Chemical Physics 129, 144108 (2008). DOI: 10.1063/1.2992060.
Jaatinen A et al. Thermodynamics of bcc metals in phase-field-crystal models. Physical Review E 80, 031602 (2009). DOI: 10.1103/PhysRevE.80.031602.
Almgren AS et al. CASTRO: A new compressible astrophysical solver. I. Hydrodynamics and self-gravity. Astrophysical Journal 715, 1221–1238 (2010). DOI: 10.1088/0004-637X/715/2/1221.
Paxton B et al. Modules for Experiments in Stellar Astrophysics (MESA). Astrophysical Journal Supplement Series 192, 3 (2011). DOI: 10.1088/0067-0049/192/1/3.
Roy CJ, Oberkampf WL. A comprehensive framework for verification, validation, and uncertainty quantification in scientific computing. Computer Methods in Applied Mechanics and Engineering 200, 2131–2144 (2011). DOI: 10.1016/j.cma.2011.03.016.
Jain A et al. The Materials Project: A materials genome approach to accelerating materials innovation. APL Materials 1, 011002 (2013). DOI: 10.1063/1.4812323.
Ayachit U et al. ParaView Catalyst: Enabling in situ data analysis and visualization. Proceedings of ISAV 2015, 25–29 (2015). DOI: 10.1145/2828612.2828624.
Brunton SL, Proctor JL, Kutz JN. Discovering governing equations from data by sparse identification of nonlinear dynamical systems. Proceedings of the National Academy of Sciences 113, 3932–3937 (2016). DOI: 10.1073/pnas.1517384113.
Ling J, Kurzawski A, Templeton J. Reynolds averaged turbulence modelling using deep neural networks with embedded invariance. Journal of Fluid Mechanics 807, 155–166 (2016). DOI: 10.1017/jfm.2016.615.
U.S. Department of Energy. Launch of the Exascale Computing Project and its application–software–hardware co-design programme. Institutional record (2016).
Zhang L et al. Deep potential molecular dynamics: A scalable model with the accuracy of quantum mechanics. Physical Review Letters 120, 143001 (2018). DOI: 10.1103/PhysRevLett.120.143001.
Raissi M, Perdikaris P, Karniadakis GE. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics 378, 686–707 (2019). DOI: 10.1016/j.jcp.2018.10.045.
Holl P, Koltun V, Thuerey N. Learning to control PDEs with differentiable physics. International Conference on Learning Representations (2020).
Karniadakis GE et al. Physics-informed machine learning. Nature Reviews Physics 3, 422–440 (2021). DOI: 10.1038/s42254-021-00314-5.
Li Z et al. Fourier Neural Operator for Parametric Partial Differential Equations. International Conference on Learning Representations (2021).
Wang S, Teng Y, Perdikaris P. Understanding and mitigating gradient flow pathologies in physics-informed neural networks. SIAM Journal on Scientific Computing 43, A3055–A3081 (2021). DOI: 10.1137/20M1318043.
Batzner S et al. E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentials. Nature Communications 13, 2453 (2022). DOI: 10.1038/s41467-022-29939-5.
Deng B et al. CHGNet as a pretrained universal neural network potential for charge-informed atomistic modelling. Nature Machine Intelligence 5, 1031–1041 (2023). DOI: 10.1038/s42256-023-00716-3.
Oommen V et al. Rethinking materials simulations: Blending direct numerical simulations with neural operators. npj Computational Materials 10, 145 (2024). DOI: 10.1038/s41524-024-01319-1.
U.S. Department of Energy. Exascale Computing Project Final Report. Project report (2024).
Deng B et al. Systematic softening in universal machine learning interatomic potentials. npj Computational Materials 11, 9 (2025). DOI: 10.1038/s41524-024-01500-6.

新思想前沿 是一个持续撰写的专栏：近二十年，各主要领域最要紧的思想转向。本块采用两幕体例——上一个十年八条、这十年十二条，每条给出提出者、年份与出处，写清它推翻了什么、靠什么读数立住、以及它自己的边界；每条正文之后另附一行碰撞行（预设／量纲／失效／异名），供跨领域取源比对；文末附资料核验。 · ← 回到学科面板