SwarmThinkers：大规模学习物理一致的原子级 KMC 跃迁
人工智能
2025-07-02 v3
摘要
一个科学模拟系统能否同时具备物理一致性、设计上的可解释性以及跨状态的规模化能力？尽管数十年来取得了诸多进展，这一三重目标仍然难以实现。诸如动力学蒙特卡洛（Kinetic Monte Carlo, KMC）的经典方法确保了热力学准确性，但可扩展性较差；基于学习的方法提供了效率，但往往牺牲了物理一致性与可解释性。我们提出了 SwarmThinkers，这是一个强化学习框架，将原子尺度模拟重新构建为物理基础的群体智能系统。每个扩散粒子被建模为一个局部决策智能体，通过在热力学约束下训练的共享策略网络来选择跃迁。一种重加权机制将学习到的偏好与跃迁速率相融合，在保持统计保真度的同时实现可解释的逐步决策。训练遵循集中训练、分布执行的范式，使得策略无需重新训练即可在不同系统尺寸、浓度和温度下泛化。在模拟辐射诱导 Fe-Cu 合金沉淀的基准测试中，SwarmThinkers 是首个在单张 A100 GPU 上实现全规模、物理一致模拟的系统，此前这只能通过 OpenKMC 在超级计算机上实现。它实现了高达 4963 倍（平均 3185 倍）的更快计算速度，且内存使用量降低了 485 倍。通过将粒子视为决策者而非被动采样器，SwarmThinkers 标志着科学模拟的范式转变——通过智能体驱动的智能统一了物理一致性、可解释性和可扩展性。
引用
@article{arxiv.2505.20094,
title = {SwarmThinkers: Learning Physically Consistent Atomic KMC Transitions at Scale},
author = {Qi Li and Kun Li and Haozhi Han and Honghui Shang and Xinfu He and Yunquan Zhang and Hong An and Ting Cao and Mao Yang},
journal= {arXiv preprint arXiv:2505.20094},
year = {2025}
}