Synthesis Superintelligence: from Semiconductors to Superconductors — Periodic Labs’ Liam Fedus and Ekin Dogus Cubuk
三句話摘要
Periodic實驗室如何融合AI、計算與物理實驗,建立新一代材料科學發現系統。 Periodic的核心創新不在於單一模型或演算法的突破,而在於如何在高度不確定的物理世界中構建端到端的學習系統——透過完整的過程譜系資料、多模態感測與AI決策,把科學本身變成可加速的對象。 1. 物理與純數學的根本差異使實驗不可替代
重點整理
1. 物理與純數學的根本差異使實驗不可替代
物理系統的維度遠超電腦容納能力(一個房間約含10^23個原子),需要降維到數個熱力學變數。這使得實驗不是驗證已知理論,而是在高度不確定下進行決策——儀器漂移、溫度梯度、不完全測量都構成真實的有損資訊。純粹最佳化演算法在這種噪音環境中失效,需要科學直覺與多模態資訊融合。
2. X射線衍射(XRD)的有損性與相位鑑別挑戰
XRD獲取晶體結構"指紋",但同一衍射圖樣可能對應多種原子排列。Periodic透過AI結合化學先驗(熱力學穩定性)與多模態測量(電性、磁性、顯微結構)來消除歧義,並識別文獻未記載的新相位。這種決策在高通量實驗中成為自動化的核心瓶頸。
3. 樣本效率與強化學習環境的重新設計
傳統RL環境可任意並列複製,但物理實驗每次需時數小時至數天。Periodic的解方是圍繞已積累的實驗數據構建時間戳RL環境:給定某個過去時刻的全部實驗證據,訓練代理預測科學家當時的決策或實驗結果。這種方法避免預訓練模型作弊(因為它已知答案而無需真正推理)。
4. 實驗室"智慧邊界"的策略部署
不是追求完全自動化,而是識別瓶頸後針對性自動化。每台設備需具備足夠的AI決策能力(稱"140智商")在採集時刻理解實驗意圖、挑選最相關資料。這樣積累的資料品質遠高於盲目記錄,成為後續AI訓練的關鍵資產。
實用技巧與重點
- 物理與計算工具:
- 密度泛函理論(DFT):用Kohn-Sham波函數近似將量子力學複雜度從指數降為立方級,估算材料形成焓(formation enthalpy)以判斷熱力學穩定性
- X射線衍射(XRD):波長與原子間距相當,產生晶體結構指紋,但為有損投影
- 相轉變:溫度或條件改變時原子重組成新晶體,在XRD上呈現劇烈改變
- 實驗現象:
- 高溫超導體:93K銅氧化物等非傳統超導,違反同位素效應,物理機制未明
- 混相(mixed phases):實驗常產生目標相+雜質+非晶,需多模態分析消除歧義
- 爐子退化、溫度梯度、儀器振動等系統雜音使重複性測量必須進行
- 理論先驗與架構層級:
- 熱力學變數:能量平均值與漲落、反應勢壘、動力學
- 微觀結構:DFT模擬理想晶體,實驗含缺陷、晶界、應力影響不可預測
- 組合濺射(combinatorial sputtering):一次實驗中創建組分梯度產生數百至千種晶體配置
- 核心專家與角色:
- Murata:計算材料科學家,Wolverton門生
- Joe Chekalski:MIT物理學教授,超導體與合成化學專家
- Daniel Chica:Kanatzidis團隊合成魔術師
- Dima Bahdanau:神經網路Attention機制發明人,領導AI與LM工作
- 資料處理原則:
- 不刪除任何實驗資料,保留全部過程譜系(campaign軌跡、負結果、迭代過程)
- 以整個campaign而非單次實驗作為強化學習單位
- 利用時間戳資料庫構造新RL任務,避免預訓練模型作弊
結論
Periodic的核心創新不在於單一模型或演算法的突破,而在於如何在高度不確定的物理世界中構建端到端的學習系統——透過完整的過程譜系資料、多模態感測與AI決策,把科學本身變成可加速的對象。
完整解析
這場訪談深入揭示了Periodic如何突破傳統材料科學的困局。講者一開始就闡述了核心理念:「智力是必要但不充分的,只有當想法與現實一致時才能創造新知識。」這個前提推動了整個公司的哲學——不能只靠思考推進科學前沿,必須建立物理實驗室作為強化學習的終極環境。與OpenAI、Google等大型實驗室不同,Periodic沒有龐大的計算資源優勢,反而必須透過控制物理實驗來創造自己的資料和環境。
為什麼我們仍需實驗室?講者用一個漂亮的例子回答:即使Paul Dirac解決了氫原子,他說「其餘都只是化學」,但一百年來我們發現這根本不對。高溫超導體(特別是銅氧化物)的物理機制至今未明,強相關電子系統無法被密度泛函理論準確模擬,「更是不同」的集體現象超越了基本定律的簡單組合。這正是為什麼即使有完美的DFT,也無法預測微觀結構如何影響性質、無法計算超導轉變溫度——物理世界的複雜性遠超計算能力。
物理與純數學的根本差異在於維度約束。一個房間含10^23個原子,電腦永遠無法完全模擬。傳統科學透過熱力學變數(溫度、壓力、能量)進行降維,但這只是粗糙近似。當測量X射線衍射時,同一衍射圖樣可能對應多種原子排列——這就是「有損投影」的含義。人類科學家透過化學直覺、熱力學穩定性知識與多種測量工具(電導率、磁性、顯微結構)來消除歧義,但這種推理方式與優化算法完全不同。
Periodic的創新在於將AI嵌入實驗決策迴圈。傳統強化學習環境可以任意複製和並列執行,但物理實驗每次需時數小時甚至數天,甚至涉及量子物理的隨機性。團隊的解方是:不等待單個實驗完全結束才給予獎勵,而是圍繞已積累的實驗資料庫構建時間戳強化學習環境。例如,給定2026年10月8日之前的全部實驗證據和計算結果,訓練代理預測接下來的實驗選擇或結果。這避免了預訓練模型作弊的危險——如果模型已知答案(因為答案在訓練資料中),它不必進行真正的物理推理,只需記憶,但這種推理策略無法泛化到新系統。
特性分析自動化成為整個發現迴圈的關鍵瓶頸。早期Periodic的科學家花費大量時間手動分析X射線衍射圖譜,識別相位、排除雜質相、標記樣品。當實驗通量提高後,這道關卡徹底崩潰。團隊的解決方案是部署AI系統直接在實驗室控制特性分析工具,系統不僅能閱讀原始測量資料,還能基於實驗背景(目標相位是什麼?過去類似實驗的結果如何?)進行智慧決策。這就是「每台設備140智商」的含義——不是盲目自動化,而是在資料採集時刻注入決策能力,使得收集到的資訊品質最大化。這轉變使科學家從重複勞動中解放,可專注於更高層次的問題:下一個實驗應該針對哪個相位?應該調整哪個過程參數?
計算與實驗的互補關係也很微妙。Periodic使用DFT估算材料的形成焓(formation enthalpy)——基於Kohn和Sham的洞見,所有性質都是電荷密度的泛函,因此可將量子複雜度從指數降為立方級。但DFT有明確的局限:無法預測微觀結構、無法計算強相關系統、無法預測超導轉變溫度。因此,即使計算能力無限增長,實驗仍不可或缺。團隊的務實做法是:利用DFT快速篩選數百萬候選材料,找出熱力學上可行的,再在實驗室驗證。同時,實驗資料反過來校準DFT,這種相互校準已被Materials Project等專案採用。
人類在迴圈中的角色也在演進。早期,科學家完全手動進行特性分析,這造成了可怕的瓶頸。現在AI已接管大部分重複工作,人類則聚焦於高階決策:該運行什麼campaign?目前的證據指向什麼下一步?這不是完全自動化,而是務實的分工。團隊有意識地識別瓶頸(不是難度),然後針對性自動化,避免浪費月份時間在看似優雅但影響小的任務上(如複雜手臂操作)。
最後,Periodic正在招募一支歷史上前所未有的團隊。不同於傳統科研機構讓傑出人物淹沒於行政管理,Periodic堅持讓頂級專家親身進行實驗工作。Joe Chekalski曾是MIT教授,現全職在Periodic,每天在實驗室。Dima Bahdanau是神經網路Attention機制的發明人,他親自參與訓練分佈設計。這個原則來自於歷史教訓:Bell Labs、IBM等機構的突破正是源於頂級人才的親身投入,而非象牙塔管理。

