8月10日至11日，2023中关村论坛系列活动——2023 科学智能峰会（AI for Science Congress）在北京正式举办。本届峰会设置主论坛+10个学术峰会，围绕 AI for Science 基础设施共建、典型代表应用领域展开。“共建AI4S基础设施——算法软件与模型”场邀请到了活跃于算法软件与模型基础设施相关领域的科研人员及工程人员，共同交流前沿理念与未来研发方向。

  从微观到宏观，AI+Science在发现基本粒子、量子计算、材料设计、气象预测、探索浩瀚宇宙等各个方面，都发挥着重要作用。一方面，各个科学领域中的重大问题为 AI 研究带来全新的挑战和机会；另一方面，最新的 AI 技术为解决科学领域的问题提供了强大的工具。

  “无论是在物理、化学、材料，还是在航空航天等方面，仿真都有很重要的应用。”在会议上，西湖大学特聘研究员吴泰霖首先就图神经网络加速物理仿真发表相关演讲。通过对此前图神经进行物理仿真方面工作的介绍，吴泰霖表示图神经网络应用地下流体仿真研究，对相关系统进行高精度仿真，例如：模拟油、水、天然气等对于能源行业开展探测具有重要作用。“其次，就是基于仿真的反向设计也是未来几年很重要的方向。”吴泰霖认为，工程控制系统中基于仿真的反向设计可以反过来优化边条件及参数，实现目标优化。

  作为积淀深厚的国产开源密度泛函计算软件，原子算筹（ABABUS）在过去一段时间里进一步完善和优化软件，推出了新的版本。北京大学应用物理与技术中心的陈默涵研究员作为ABACUS核心开发者之一，在现场详细介绍了在不断拥抱开源、共建密度泛函软件过程中遇到的来自软件工程方面的挑战和收获。陈默涵介绍道，ABACUS将继续坚持开源的路线，始终与开发者、使用者一起成长和发展，不断丰富和优化自身。同时他还认为，AI兴起带来发展算法新机遇，此外物理新算法、物理模型的持续提出，将有助于国内更早实现DFT的算法。期待同更多研究者、开发者及使用者以各种形式一起参与到ABACUS的开发中，为ABACUS持续迭代增加新的动力。

  清华大学深圳国际研究生院副教授余旷表示，随着实验数据越来越多，计算数据越来越多，如何在大数据量前提下实现自动化的调参。需要我们给出一个基础设施建设和平台框架。余旷进一步指出，利用现有很多梯度下降优化算法，去做自动化的参数调优，利用人工智能领域这样一个新发展的技术。尽可能地让我们的软件看上去很像主流分子动力学软件，而不是让大家新学东西。

  来自深势科技算法团队的张铎介绍了近期对DeePMD进行的大幅优化与改进，通过对元素类型更优的编码以及利用关键的注意力机制，极大提高了模型容量和迁移能力，获得了覆盖元素周期表大多常见元素的大型预训练模型。在不同数据集上的迁移学习结果表明，模型能大幅降低新场景对数据的依赖。DeePMD的预训练大模型将大幅降低模型训练所需数据量及训练成本、提高模型预测精度，进而对基础科研、材料设计、药物设计等领域产生重大而深远的影响。

  “JAX作为一个通用的非线性有限元求解器，它更像是一个比较通用的可以用来做高性能计算的框架，在进行高性能计算或者科学计算的时候，具有很多方面的优势。”美国西北大学博士后薛添驹最后在演讲中从产品角度介绍了JAX-FEM及其后续的开发。他指出，现有的AI所带来的日新月异的基础设施和算力条件，应早日同传统的有限元方法相结合，使得经典的有限元方法能够焕发新的活力，从而解决更具挑战性、需要更多算力、更加复杂本末关系的一些问题中去。