文／劉育綸教授

由劉育綸教授邀請並主持，加拿大英屬哥倫比亞大學（University of British Columbia, UBC）PhysAI 實驗室主持人 Peter Yichen Chen 博士，近期發表了一場題為 「Neural PDE: AI-Enhanced Physics Simulation」 的專題演講，帶領與會者一同探索人工智慧與物理模擬交會的新前沿，並分享其研究團隊在這一領域的最新突破。

陳博士在演講一開始便提出引人深思的問題：如果我們能精準描繪颱風的行進路徑、即時模擬新藥在人體內的反應，甚至設計出更安全、更高效的飛機，這將如何改變人類的生活？這些願景的背後，都依賴於強大的物理模擬技術。如今，物理模擬已被視為現代科學的「第三支柱」，與理論推導和實驗觀測並駕齊驅，在理解自然與推動應用方面扮演著不可或缺的角色。

長久以來，科學家主要依靠兩種截然不同的方法進行物理模擬。第一種是「古典派」，以牛頓、愛因斯坦等人的理論為基礎，透過偏微分方程式等數學形式描述自然現象，如同一本物理學的說明書，能嚴謹地推演世界的運作。然而，這樣的方法雖然可靠，但往往需要大量運算與深厚數學基礎。第二種方法則是近年快速崛起的「資料派」，透過人工智慧神經網路從龐大的觀測數據中自行歸納規律，就像電腦看過成千上萬張照片後，能自動學會分辨貓的模樣。資料驅動的方法具備速度與靈活性，但當面臨全新或未曾出現過的情境時，往往難以給出合理的預測。

面對這兩條路徑的侷限，陳博士提出了解方：將物理定律與人工智慧結合，打造出「混合模擬系統」。在這樣的架構中，物理定律成為人工智慧的學習指南，也就是所謂的「歸納偏置」，使得 AI 不再只是死記硬背數據，而能真正理解背後的原理。這就像給學生的不僅是考古題，更是一本幫助掌握知識結構的教科書，使其能在陌生的問題面前依然做出合理判斷。

這種混合模式展現出驚人的優勢。首先，它能夠更準確地捕捉傳統方程式難以涵蓋的細節，使模擬結果更貼近現實。其次，它大幅提升了模擬效率，原本需要超級電腦數日才能完成的運算，現在可能只需數小時。最後，它大幅降低了使用門檻，讓非物理或數學專業背景的研究者，也能輕鬆運用這些工具。這樣的發展，不僅為基礎科學研究帶來新的契機，也使跨領域的應用成為可能。

陳博士強調，混合模擬不僅是技術上的突破，更可能徹底改變科學探索的格局。從氣候變遷的研究，到藥物設計與人體模擬，從新材料的探索到航太工程的創新，這一方法都展現出廣泛而深遠的應用潛力。它讓我們能以前所未有的速度與精度理解自然，並在實際應用中發揮實質影響。

陳博士現任 UBC 電腦科學系助理教授，並主持 PhysAI Lab，曾於麻省理工學院 CSAIL 擔任博士後研究員，博士學位取得於哥倫比亞大學，更早之前於 UCLA 攻讀數學並榮獲 Sherwood Prize。他的研究跨足電腦圖學、機器學習、科學計算、力學與機器人學，致力於推動 3D 內容創作、工程設計控制及材料探索，成果屢獲國際肯定，包括 SIGGRAPH 最佳論文獎。此次由劉育綸教授邀請並主持的專題演講，不僅展現了 AI 強化物理模擬的最新進展，也凸顯跨領域合作的重要性。隨著這一方向持續推展，學界與產業界正迎來一個更快、更準確、更普及的模擬時代，正如陳博士所描繪的願景：混合物理與資料的模擬系統，正為科學研究開啟新紀元。