《AI×SCIENCE十大前沿观察》6：AI 仿真与系统模拟

原创集智与上智院 2025-05-08 17:50 上海

走向跨学科、多尺度的科学仿真时代

导语

上海科学智能研究院、集智科学研究中心和阿里云联合发布了《AI × Science十大前沿观察》，梳理出35个研究前沿，来推动科学发展的黄金时代到来。本篇为前沿观察6，扫描下方二维码，可获得完整版下载地址、快速链接论文原文。

扫描二维码下载完整报告

AI 仿真与系统模拟

背景介绍

在复杂系统研究中，从微观的量子粒子，如可控核聚变中的等离子体演化，中观的物理流体动力学、生物智能运动，到大尺度的全球气候变化等宏观现象，都需要通过科学仿真工具来预测系统的行为和演化。

从历史发展来看，科学仿真经历了三个重要阶段：最初基于第一性原理的解析求解，然后主要发展的数值模拟方法。然而由于这些真实系统往往表现出多尺度、多物理场耦合的特征，其复杂性对传统解析和数值计算方法提出了巨大挑战，一方面不能保证足够的精度，一方面又很难从数据中发掘系统的内在机制和因果关系[2]。

所幸的是，在融合物理约束与数据驱动的基础上，基于AI驱动的新一代科学仿真技术应运而生。AI仿真器和数字孪生[3]通过深度学习和AI for PDE科学模拟方法，或引入因果推理框架[4]，结合物理先验知识构建新一代仿真系统，为系统行为理解和预测开辟了新途径。在生物系统方面，以秀丽线虫为代表的模型生物为研究复杂生命系统提供了理想平台，而基于AI驱动的数字生命体 (AIDO)，则构建了一个多尺度系统的基础模型，实现了从分子到整体生命的全方位预测与模拟。

2024年12月发布的Genesis项目更是将物理仿真推向了新高度。这个面向机器人和人工智能的生成式物理引擎，不仅能高效模拟从刚体到软体的各类物理交互，还首次实现了通过自然语言控制的场景生成，为研究具身智能提供了强大工具。

这些进展标志着科学仿真正在进入一个新时代：从单一物理场景扩展到多尺度、多学科交叉，从被动观察转向主动探索，从现象预测迈向机理理解。下面我们将详细介绍几项代表性工作。

研究进展

进展目录
AI for PDE（人工智能求解偏微分方程）
因果数字孪生
AI驱动的多尺度数字有机体建模
生物-环境闭环智能仿真系统
具身生成式物理模拟引擎

AI for PDE（人工智能求解偏微分方程）

推荐理由: 偏微分方程（PDEs）是现代科学和工程中不可或缺的数学工具，用于精确描述从流体力学到量子力学等各种物理现象。但传统的有限元（FEM）和有限差分方法（FDM）等数值方法，面临着计算成本高昂、难以扩展到复杂几何形状和高维问题以及处理大规模数据集的局限。由此，结合人工智能算法的AI for PDE科学模拟方法应运而生，通过将数据与PDE信息相结合，能够为特定问题提供近似解，并显著加速传统的数值求解算法。

AI for PDE领域涌现出多种创新方法，这些方法利用机器学习和深度学习技术来求解、分析和发现偏微分方程。以下是对几种主要的AI驱动的PDE求解方法的简单介绍。

物理信息神经网络（PINNs）[5]是一种通过将PDE的控制方程融入神经网络的损失函数中，来训练神经网络求解PDE的强大框架。PINNs的核心思想是利用神经网络强大的函数逼近能力来表示PDE的解，并通过最小化一个包含PDE残差项和边界/初始条件项的损失函数来优化网络参数。近年来，研究人员不断探索改进PINNs在网络架构（如KAN）、优化技术以及处理复杂问题方面的能力，以解决其在处理高频和多尺度问题时面临的挑战。Pinn-jax等开源库的出现进一步简化了PINNs的开发和训练过程。值得一提的是，PINNs不仅可以用于求解已知PDE的正问题，还可以应用于根据观测数据反演PDE参数或发现未知物理规律的反问题。

深度能量方法（DEM）[6]是另一种基于物理原理的AI驱动的PDE求解方法，它利用最小势能原理来预测静态载荷条件下的变形，可以看作是有限元分析的一种替代方案。与传统的基于配点的PINNs不同，DEM主要依赖于一阶微分和精确的数值积分来训练神经网络。为了弥补传统DEM缺乏最小余能形式的不足，研究人员提出了深度互补能量方法（DCEM）。DCEM以应力函数作为输出，能够天然地满足平衡方程。此外，为了提高DEM的精度，研究人员还引入了随机傅里叶特征映射等技术，并提出了用于超参数优化的双循环架构。DEM的一个显著优点是其网格无关性，这使得它在处理复杂材料（如超弹性材料和粘弹性材料）的变形问题时，无需生成大量的训练数据。

算子学习则旨在训练神经网络直接学习PDE解算子，即从输入函数空间（如初始条件或边界条件）到输出函数空间（PDE的解）的映射。DeepONet是一种典型的算子学习方法，它基于算子的泛逼近定理，通过学习分支网络和干网络来逼近非线性算子。傅里叶神经算子（FNOs）则利用傅里叶变换在频域进行卷积操作，能够高效地学习PDE的解算子，并且具有分辨率无关性。物理信息神经算子（PINOs）是一种混合方法，它结合了算子学习和物理信息优化框架，旨在提高收敛速度和精度。最近的研究还对DeepONet[7]进行了改进，允许其Trunk-branch结构中的Branch网对Trunk网非线性干扰，提出了一种物理信息增强的扩展版本，特别适用于解决复杂的非线性偏微分方程（PDEs），显著降低了物理损失。

微分同胚映射算子学习（DIMON）[8]是一种新兴的AI框架，它能够比超级计算机更快地在普通个人电脑上求解复杂的PDE 。DIMON的关键能力在于，它能够从单个已求解的形状中学习模式，并将该解映射到多个新的形状上，从而避免了为每个新形状重复进行网格划分和计算。这种方法在需要对多个复杂几何形状求解PDE的科学和工程领域具有广泛的应用潜力，包括医疗保健（如心律失常预测）、航空航天和材料科学。目前DIMON的代码库也已公开。

因果数字孪生

推荐理由: 因果数字孪生 (Causal Digital Twin) [4]将因果推理引入仿真系统，不仅能模拟系统行为，还能揭示系统内在的因果机制，为智能决策和干预提供理论基础。

传统的数字孪生技术主要关注系统行为的模拟与预测，而因果数字孪生则通过引入因果推理框架，通过概率编程与因果推理的深度融合，赋予了系统理解“为什么”的能力。

CausalCity 仿真环境 | 来源：McDuff， Daniel， et al. "CausalCity: Complex Simulations with Agency for Causal Discovery and Reasoning." Proceedings of the First Conference on Causal Learning and Reasoning， PMLR 177， 2022， pp. 559-575.

CausalCity[3]就是应用果数字孪生技术的典型案例，它提供了一个高保真的仿真环境，使其能突破简单的“模式识别”，理解因果关系，这对自动驾驶等复杂系统非常重要。其核心创新在于引入了“主体性” (Agency) 的概念——环境中的每个实体（如车辆）都具有基本的智能性，能够自主决策低层级行为。这使得研究者可以用简单的高层级配置来定义复杂场景，而不需要指定每个具体的低层级动作。

CausalCity与三个主流的推理模型进行了对比实验，包括：NRI，使用变分自编码器框架，通过节点间的消息传递机制来发现系统中的关系结构并重建轨迹；NS-DR，基于传播网络，将场景中的车辆建模为图中的节点，通过分析节点间的状态传播来预测车辆运动；V-CDN，采用一个三阶段架构，包含感知模块（提取视觉特征）、推理模块（构建因果图谱）及动态模块（预测未来状态）。这些方法在简单场景下表现良好，但在引入混杂因素（如交通信号灯）的复杂场景中性能会显著下降，而CausalCity则能表现良好。这揭示了传统推理方法在处理真实世界复杂性时的局限，以及引入因果推理的重要性。

AI驱动的多尺度数字有机体建模

推荐理由： GenBio AI 提出的AI驱动数字有机体（AIDO）框架[9]，代表了生物计算仿真领域的一项里程碑式进展。该研究首次构建了一个整合分子、细胞、组织到个体水平的多尺度基础模型系统，通过模块化设计和分层整合，实现了生物学现象的预测、模拟与编程。相较于传统单任务模型（如AlphaFold、ESMFold），AIDO在多个维度实现了范式突破。

研究团队开发了覆盖全生物尺度的基础模型组件。针对分子层级，提出了混合分词器（Hybrid Tokenizer）架构，通过几何深度学习编码蛋白质三维结构[10]，并结合序列模型实现DNA-RNA-蛋白质的中央法则统一建模[11]；在细胞层级，设计了非对称编码器-解码器框架，有效处理单细胞转录组数据的高维稀疏特；在表型层级，则利用自监督对比学习构建了连续生理信号（如血糖、心电图）的生成式模型[12]。

AIDO 的多层级架构：数据层、基础模型系统层、下游实用层、生物工程应用层 | 来源："Toward AI-Driven Digital Organism: A System of Multiscale Foundation Models for Predicting, Simulating and Programming Biology at All Levels."

AIDO的创新性体现在其系统性整合能力。通过可微分计算图（DCG）技术，将分子交互网络、基因调控网络与细胞状态模型动态连接，形成闭环反馈机制。例如，在药物设计场景中，蛋白质生成模型可基于结构解码器生成候选序列，再通过分子动力学评分模型反向优化生成策略，最终通过湿实验验证形成迭代优化循环。

该框架的计算效率同样突出。通过混合架构（如CNN-Transformer融合模型）和高效并行化策略，实现了从基因序列（长达百万碱基）到器官级表型（如UK Biobank队列数据）的多尺度建模。系统支持30+种生物数据模态，涵盖NCBI基因组库、PDB结构数据库等超10亿级数据点，模型参数量突破千亿级别。

AIDO的开源生态体系（GitHub: genbio-ai/AIDO）为社区提供了模块化扩展能力。研究人员可独立调整DNA序列模型（AIDO.DNA[9]）、蛋白质逆折叠模型（AIDO.ProteinIF[11]）等组件，或通过跨尺度对齐优化实现全系统升级。目前，该系统已在300+生物任务中达到SOTA性能[11][13]。

随着生物数据量的指数增长和计算架构的持续优化，AIDO有望推动药物研发、合成生物学、精准医学等领域的范式变革。未来，通过整合更多实验模态（如空间转录组、代谢组）和因果推理机制[14]，该系统或将成为解码生命复杂性的核心计算平台。

生物-环境闭环智能仿真系统

推荐理由: BAAIWorm天宝项目代表了生物智能仿真研究领域的一项重要进展。这项发表在Nature Computational Science并登上封面的研究[15]，首次实现了将秀丽线虫的神经系统、身体和环境整合到一个完整的闭环仿真系统中，为探索“大脑-身体-环境”交互机制提供了全新的研究平台。

相比于原有的仿真系统（如OpenWorm[16]），BAAIWorm天宝在多个方面实现了显著突破。

研究团队构建了迄今为止最精确的线虫神经网络模型。该模型包含136个参与感知和运动功能的神经元[17]，每个神经元都采用多舱室模型进行建模，精确还原了真实神经元的电生理特性。模型不仅在神经元层面实现了高度仿真，还通过创新的优化算法，使神经网络整体呈现出与真实线虫神经系统相似的动态特性。

此外，BAAIWorm还是一个高性能的“身体-环境”模型，创新性地采用投影动力学作为形变求解器[18]，实现了30帧/秒的实时仿真，使环境尺度提升了两个数量级，既大大提升了计算效率，又保持了生物力学特性的准确性。

更重要的是，研究首次实现了线虫神经网络与身体环境系统的持续闭环交互。例如在完整的系统仿真中，环境中的食物浓度等刺激会影响线虫感觉神经元，进而通过神经网络驱动运动神经元产生协调的行为输出[19]，并改变环境的局部的流体动力学特性反过来再影响线虫。这种闭环设计使得系统能够模拟真实线虫的行为，如趋化性运动等复杂行为模式。系统还开发了创新的行为分析方法，可以稳定地量化线虫在三维空间中的运动轨迹。

线虫天宝概览 | 来源：An integrative data-driven model simulating C. elegans brain, body and environment interactions

BAAIWorm天宝展示了如何通过数字化重建来研究复杂生命系统，为理解生物智能本质提供了重要指引。目前该系统已开源，研究人员可以根据需要独立修改和扩展各个模块。未来，随着实验数据的不断积累和算法的进一步优化，BAAIWorm天宝有望模拟更多行为模式，涵盖更多神经元和环境因素，从而在生命科学和人工智能领域发挥更大的推动作用。

具身生成式物理模拟引擎

推荐理由: Genesis项目[20]由于其高精准的建模能力，开创了一种面向机器人和人工智能研究的新范式。这个由卡内基梅隆大学、清华等20多家顶尖机构历时24个月合作开发的生成式物理引擎，不仅展示了AI在物理世界模拟上的突破性进展，更为实现具身智能构建了技术路径。

Genesis的出现代表了模拟仿真平台一个新的高度：不再局限于单一的物理模拟或机器人控制，而是构建了一个统一的框架，能够同时处理物理规律、机器人动作、视觉渲染和人机交互等多个维度。这种整体性的方法使得它能够更真实地模拟复杂的物理世界，为机器人研究、AI应用和训练提供更可靠的仿真环境。

提示： A mobile franka arm heats the corn with the bowl and the microwave | 来源：Genesis: A Generative and Universal Physics Engine for Robotics and Beyond

Genesis的技术创新体现在多个方面。其具有超高效的物理模拟性能，模拟速度比现实世界快约43万倍，大幅领先现有解决方案；具备精确的物理模型，支持从刚体到软体，从单一物体到复杂交互的全方位物理模拟；此外系统采用生成式架构，通过自然语言描述就能生成复杂的物理场景和交互行为。

Genesis在机器人研究领域展现出独特优势，不仅具备覆盖从人形机器人到软体机器人的全类型模拟能力，更在单块RTX4090显卡上实现了26秒完成可迁移至真实世界的动作策略训练，其效率突破将显著加速机器人研发进程。

随着未来Genesis的开源，可能会持续在多个领域引发连锁反应：为计算机图形学提供更真实的物理模拟，在机器人研究中加速算法验证和策略优化，在人工智能研究中推进具身智能的发展。Genesis不仅是一个技术工具，也代表了一种新的仿真研究范式，将为实现更智能、更自然的人工智能系统和探索世界的复杂系统规律持续贡献力量。

挑战与展望

尽管基于AI的科学仿真技术在近年来取得了显著进展，但仍面临着一些重要挑战。

多尺度与多物理场耦合的建模依然是难题。以核聚变等离子体为例，从粒子的量子效应到宏观的流体动力学行为，跨越了数十个数量级的时空尺度。现有的仿真方法难以在保持计算效率的同时实现如此大跨度的精确描述。同样，在全球天气预报中，大气、海洋、陆地等系统之间复杂的相互作用也给建模带来了巨大挑战。

仿真系统的可解释性问题依然需要探索。虽然基于深度学习的方法显著提升了预测精度，但其内部机制往往难以理解，这限制了科研人员对系统本质规律的认知。尽管有CausalCity等项目尝试引入因果推理框架，但要在复杂系统中建立可靠的因果关系图谱仍有很长的路要走。如何在保持高精度预测的同时提升模型的可解释性，成为了当前研究的重要方向。

此外，仿真系统与真实世界的对齐同样具有挑战性。虽然BAAIWorm等项目展现了在特定领域实现高保真仿真的可能，但要将这种成功推广到更复杂的生命系统和工程应用中仍面临诸多困难。如何确保仿真结果能够准确反映现实世界的物理规律，并与实验数据保持一致，仍需要更深入的研究。

要解决以上问题，除了提升计算能力和革新算法，还需要结合各种方法创造新的平台设计方案。一个可能的发展方向是将物理规律、数据驱动和因果推理等方法进行有机结合，发展新一代混合建模方法。Genesis项目已经展示了这种融合的潜力。同时，未来的仿真系统可能会更加智能和自主化，通过主动学习和迭代优化，系统能够自主设计和执行虚拟实验，提升模型精度和泛化能力，验证科学假设，甚至发现新的物理规律[19]。随着这些技术的不断成熟，我们有望看到支持多学科、多尺度的统一仿真框架逐步建立，这将为解决生命科学、能源、气候等重大科学问题，研究复杂系统本质规律开辟的新途径和提供关键支撑。

参考文献

[1] Cornelio， Cristina， et al. "Combining Data and Theory for Derivable Scientific Discovery with AI-Descartes." Nature Communications， vol. 14， no. 1， 2023， pp. 1777.

https://www.nature.com/articles/s41467-023-37543-4

推荐理由：该论文提出了一个将数据驱动和理论驱动相结合的科学发现框架。

[2] Schölkopf， Bernhard， et al. "Toward Causal Representation Learning." Proceedings of the IEEE， vol. 109， 2021， pp. 612-634.

https://ieeexplore.ieee.org/document/9363924

推荐理由：该论文系统性地探讨了机器学习中的因果表示问题，为因果推理与机器学习的结合提供了理论基础。

[3]Lavin， Alexander， et al. "Simulation Intelligence: Towards a New Generation of Scientific Methods." arXiv preprint arXiv:2112.03235， 2021.

https://arxiv.org/abs/2112.03235

推荐理由：该论文提出了新一代科学仿真方法的愿景，系统性地总结了AI仿真器和数字孪生的关键技术。

[4] McDuff， Daniel， et al. "CausalCity: Complex Simulations with Agency for Causal Discovery and Reasoning." Proceedings of the First Conference on Causal Learning and Reasoning， PMLR 177， 2022， pp. 559-575.

https://proceedings.mlr.press/v177/mcduff22a.html

推荐理由：该工作提出了一个支持因果发现与推理的复杂仿真环境，为因果学习研究提供了重要平台。

[5] Yuntian Chen et al. "From PINNs to PIKANs: Recent Advances in Physics-Informed Machine Learning." arXiv preprint, 2024.https://arxiv.org/abs/2410.13228

推荐理由：该论文全面回顾了物理信息神经网络(PINNs)的最新进展，重点关注网络设计和特征扩展的改进，展示了物理信息机器学习在科学计算中的发展趋势和应用价值。

[6] Sergii Mykhailovskyi, Dmytro Malynovskyi. "Model informed approach to estimate treatment effect in placebo-controlled clinical trials using an artificial intelligence based propensity weighting." Ukrainian Journal of Medicine, Biology and Sport, 2023.https://ouci.dntb.gov.ua/en/works/7qXkGYw9/

推荐理由：该研究提出了一种基于人工智能的倾向性加权方法来评估安慰剂对照临床试验中的治疗效果，为医学临床研究提供了更准确的效果评估工具。

[7] Niyazi Sergin, Rui Duarte et al. "An architectural analysis of DeepOnet and a general framework." Neurocomputing, 2024.https://www.sciencedirect.com/science/article/pii/S0925231224014462

推荐理由：论文分析了DeepOnet模型的神经网络设计，特别探讨了其主干-分支结构在算子学习任务中的有效性，为深度算子网络的设计提供了理论基础和改进方向。

[8] Qianxiao Li et al. "DIMON: Learning Solution Operators of Partial Differential Equations on a Diffeomorphic Family of Domains." arXiv preprint, 2024.https://arxiv.org/abs/2402.07250

推荐理由：该研究提出了一个称为DIMON的通用算子学习框架，用于在不同形态域上学习偏微分方程的近似解，为复杂几何形状上的PDE求解提供了创新方法。

[9] Le Song, Eran Segal, Eric Xing. "Toward AI-Driven Digital Organism: A System of Multiscale Foundation Models for Predicting, Simulating and Programming Biology at All Levels." arXiv preprint arXiv:2412.06993v1, 2024.

https://arxiv.org/abs/2412.06993

推荐理由：该论文提出了整合分子至个体水平的多尺度生物建模框架，通过模块化基础模型系统实现了跨层级生物现象的预测与编程，为合成生物学和精准医学提供了通用计算范式。

[10] Jiayou Zhang et al. "Balancing locality and reconstruction in protein structure tokenizer." NeurIPS Workshop, 2024.

https://www.biorxiv.org/content/10.1101/2024.12.02.626366v2.abstract

推荐理由：该研究开发了一种基于几何深度学习的蛋白质结构分词器，通过平衡局部特征保留与全局结构重建，显著提升了三维分子表征在逆折叠和功能预测任务中的性能。

[11] Ning Sun et al. "Mixture of experts enable efficient protein understanding and design." NeurIPS Workshop, 2024.

https://www.biorxiv.org/content/10.1101/2024.11.29.625425v1.abstract

推荐理由：该论文提出专家混合架构的蛋白质语言模型，通过动态路由机制实现序列-结构联合建模，在保证计算效率的同时将蛋白质生成多样性提升2.7倍。

[12] Levine, Zachary, et al. "Genetic underpinnings of predicted changes in cardiovascular function using self supervised learning." bioRxiv (2024): 2024-08.

https://www.biorxiv.org/content/10.1101/2024.08.15.608061.abstract

推荐理由：该工作利用自监督对比学习解析连续生理信号（如心电图）的动态特征，首次建立了心血管表型与PBMC转录组数据的跨尺度关联网络。

[13] Caleb N. Ellington et al. "Accurate DNA representations emerge from genome foundation models." NeurIPS Workshop, 2024.

https://www.biorxiv.org/content/10.1101/2024.12.01.625444.abstract

推荐理由：该研究构建了千亿参数规模的基因组基础模型，通过混合注意力机制有效捕捉长程序列依赖，在调控元件预测任务中达到98.3%的准确率。

[14] Benjamin Lengerich et al. "Contextualized Machine Learning." arXiv:2310.11340, 2023.

https://arxiv.org/abs/2310.11340

推荐理由：该理论框架系统阐述了上下文感知的机器学习方法，为多模态生物数据建模提供了可解释的因果推理机制，显著提升了模型在复杂生物系统中的应用可靠性。

[15] Zhao, Mengdi, et al. "An integrative data-driven model simulating C. elegans brain, body and environment interactions." Nature Computational Science 4.12 (2024): 978-990.

https://www.nature.com/articles/s43588-024-00738-w

推荐理由：首次构建了线虫完整的脑-身体-环境交互模拟系统。通过整合神经、肌肉和物理数据，实现了精确的行为预测。为理解生物神经系统控制行为提供了新方法。

[16] Sarma, Gopal P., et al. "OpenWorm: overview and recent advances in integrative biological simulation of Caenorhabditis elegans." Philosophical Transactions of the Royal Society B 373.1758 (2018): 20170382.

https://royalsocietypublishing.org/doi/full/10.1098/rstb.2017.0382

推荐理由：介绍了OpenWorm项目的进展，这是一个开源的线虫整体仿真平台。整合了多层次的生物学数据。为系统生物学研究提供了重要工具。

[17] Cook, Steven J., et al. "Whole-animal connectomes of both Caenorhabditis elegans sexes." Nature 571.7763 (2019): 63-71.

https://www.nature.com/articles/s41586-019-1352-7

推荐理由：首次完整绘制了雌雄两种线虫的全身神经连接组。揭示了性别特异性的神经环路差异。为理解神经系统的性别差异提供了重要参考。

[18] Bouaziz, Sofien, et al. "Projective dynamics: Fusing constraint projections for fast simulation." Seminal Graphics Papers: Pushing the Boundaries, Volume 2. 2023. 787-797.

https://dl.acm.org/doi/abs/10.1145/3596711.3596794

推荐理由：提出了一种新的物理模拟算法投影动力学。通过融合约束投影实现快速仿真。在计算效率和稳定性方面取得重要突破。

[19] Wen, Quan, et al. "Proprioceptive coupling within motor neurons drives C. elegans forward locomotion." neuron 76.4 (2012): 750-761.

https://www.cell.com/neuron/fulltext/S0896-6273(12)00805-7

推荐理由：发现了线虫运动神经元内的本体感受耦合机制。阐明了前向运动的神经控制原理。为理解动物运动控制提供了新见解。

[20] Xian Z， Qiao Y， Xu Z， Wang TH， Chen Z， Zheng J， Xiong Z， Wang Y， Zhang M， Ma P， Wang Y， Dou Z， et al. Genesis: A Generative and Universal Physics Engine for Robotics and Beyond. arXiv preprint. 2024.

https://genesis-embodied-ai.github.io/

推荐理由：Genesis是一个突破性的生成式物理引擎，由CMU、清华等20多家机构联合开发。它实现了超高效的物理模拟、精确的物理建模和生成式架构，为机器人研究和具身智能发展开创新范式。