科学问题
物理实验的构型空间大得惊人。仅用 10 个干涉测量元件，就能组合出 10 亿种以上的拓扑，人类直觉无法逐一试过。要在这类空间里做算法设计，研究者必须先回答四个问题。搜索空间必须足够大，同时又要确实可行；仿真器必须既快又准，科学目标还得翻译成计算机能算的评分。最难的一步是让算法同时处理两类性质完全不同的决策，也就是离散的拓扑选择与连续的参数调节。
背景与领域脉络
历史上，物理实验一直由富有创造力的研究者设计。但面对所有可能实验构成的巨大空间，只靠人的直觉与经验未必是最优解。近年来，人工智能已经把实验设计从调节少量参数推进到从头提出全新布局，量子光学、等离子体、粒子物理与天体物理都出现过算法设计的方案。其中一部分已经被真正建造出来。这篇综述发表于 2026 年 9 月 3 日的《自然》（Nature），作者来自德国图宾根大学与马克斯·普朗克光学研究所等机构。文章的任务是把散落在各领域的做法收拢成一套统一框架。
方法与技术路线
这是一篇综述，本身没有开展新的实验。作者按上述四个环节组织材料，并把引力波探测器的设计当作贯穿案例。案例中允许调节的参数都取自现实可行的设计，例如镜面质量在 10 克到 200 千克之间，光学臂长最大到 4000 米，与今天的引力波探测器相当。作者还梳理了三类加速手段，包括机器学习代理模型、自动微分，以及硬件与软件层面的优化。文章最后讨论了离散拓扑与连续参数两类决策的取舍。
主要结果
10 个元件就衍生出 10 亿种拓扑
作者用一组 10 个干涉测量元件做例子，说明它们可以组合出 10 亿种以上的拓扑结构。实验构型空间远大于人类已经尝试过的部分。一个更极端的对照是超导量子比特：只用 3 个元件（电感、约瑟夫森结与电容）构成的电路，就已经把文献里报道过的全部量子比特设计包含在内。这意味着在多数领域，人类探索过的方案只是整个空间里很小的一块，而算法恰好擅长在这种规模的空间里搜索。
过完备模板把离散拓扑变成连续优化
为了同时处理拓扑与参数，作者主张使用过完备模板。做法是初始时故意放入远超实际所需的元件，再靠连续权重把多余的压下去，最终蒸馏出简洁可用的设计。引力波探测器案例用的是一张矩形干涉仪网格，它既能编码 LIGO Voyager 这类已知构型，也允许全新布局自行浮现。同类思路还出现在太平洋海洋中微子实验（P-ONE）中，算法需要优化 70 根 1 公里长垂直缆绳的位置。在伽马射线天文台阵列设计里，算法给出的是环形排布，而人类习惯把探测单元密集堆在中心。
可微仿真器把梯度计算提速若干个数量级
干涉仪仿真原本依赖经过长期验证的 Finesse，它精度可靠，却不支持高效的梯度计算。而且受 Python 实现方式限制，它难以深度改造。作者用 JAX 从底层重写了所需模块，得到可微仿真器 Differometor，它同时具备自动微分、硬件加速、向量化与即时编译四项能力。在精度与 Finesse 保持一致的前提下，Differometor 计算梯度的速度快了若干个数量级。这足以支撑 4000 米级大尺度干涉仪的灵敏度优化，作者报告，在这套模板上能发现性能优于现有方案的非常规布局。
目标函数要算得出来，还要约束工程现实
作者把科学目标写成可计算的评分。主目标是选定频段内对数灵敏度的加和，目标值设为无穷大，以鼓励算法不断突破。评分用相对于现有探测器灵敏度的比例表达，因此输出的是一个容易解读的标量数值。为避免算法给出造不出来的方案，目标函数还加入可行性惩罚项，用 ReLU 函数压住超过阈值的激光功率。参数本身先经 Sigmoid 映射到 0 到 1 区间，再按各自范围缩放。这样无约束优化器也能安全地在 10 克到 200 千克这样的区间里搜索。
简化与离散探索是剩下最难自动化的两步
自动设计出来的方案常常过度参数化，不少元件对最终性能几乎没有贡献，因此必须简化。作者把简化分成 2 类。一类把简化直接嵌进探索，靠连续优化把元件权重压到零；另一类在探索之外迭代剔除。引力波案例属于后者，因为镜面损耗无法被连续关掉，只能逐个移除元件，直到探测器质量跌破阈值，再从简化设计重启优化。离散探索方面，生成模型能直接写出装置的符号描述，甚至给出可运行的 Python 代码。小构件学习则把探索速度提升了若干个数量级。作者同时坦言，真正被实现出来的 AI 设计实验仍屈指可数，综述列出的实现工作只有 3 项。
创新点
与按算法类别逐条罗列的综述不同，这篇把 AI 实验设计写成一条四步流水线，并给出统一的坐标。坐标的一端是只调少数参数的窄问题，另一端是从头发现的全新构型。文章还强调了一条容易被忽略的纪律：优化器会主动利用仿真器的误差与漏洞，给出仿真里漂亮、现实中做不出的方案。因此算法设计必须接受独立核查，才能投入真实装置的建设。
意义与影响
对物理学家来说，这份材料接近一张路线图。搜索空间、仿真器、目标函数与探索算法，四者缺一不可。作者展望，如果把覆盖多个物理领域的仿真器与成套实验目标结合起来，算法有可能发现人类直觉难以抵达的新实验概念，甚至为基础物理理论搭起一座由人工智能生成的试验台。
局限与待验证
综述自己承认，真正被实现出来的 AI 设计实验仍然很少。主要障碍有三个：实现周期长、复杂构型难以解读，以及缺少加工非常规构型的新方法。简化步骤目前高度依赖领域知识，如何让机器自动完成这种解释性判断，仍是开放问题。此外，把大语言模型当作高层设计规划者，或用它引导进化算法，也都还停留在设想阶段。
对我们的相关性
最直接的借鉴是把硬件与光路写成可微分层，再端到端反向优化。这套思路可以迁移到超分辨显微镜与冷冻电镜的光路设计，也可以用于空间组学芯片上探针与流道的排布优化。目标函数里「主目标加可行性惩罚」的写法同样好用。在实验方案权衡中，把通量、灵敏度、成本与工艺限制合成一个标量评分，比逐项比较更高效，也更容易交给算法搜索。
术语速查
全文 PDF 已归档 Google Drive
04-学术文献/Paper/；原文版权归 Nature 及作者所有