人工智能科学计算

量子计算的发展，离不开人工智能技术的创新应用，除了支撑量子计算这样的前沿领域向产业化迈进，人工智能也同样帮助许多领域的科学家们加速科学研究的进程，这就是人工智能科学计算，英文叫 AI for Science。AI 正逐渐应用在物理问题的求解与发现中。

▎工程制造领域

比如在工程制造领域，AI 可以用来加速飞行器和汽车的气动外形设计，用来预测及预防摩天大楼、跨海大桥等大型工程设施在台风等极端天气下的振动。

▎气象领域

在气象领域，AI 可以实现更快更精准的数值天气预报，包括预测强对流天气的短时临近降水情况和揭示大尺度的台风形成和演变规律。

▎生命科学领域

在生命科学领域，传统的科研方法面临生物类型实验数据少、计算任务复杂、学科交叉多等挑战，而随着 AI 应用探索的持续推进，AI 已逐渐在药物筛选、药物设计、靶点研究、合成生物学、疾病机理研究等方面实现落地和持续的进步。

我们可以看到人工智能科学计算，目前正处于从广泛科研创新逐步走向规模化产业应用的阶段。AI for Science 为解决科学问题带来新方法的同时，也对人工智能基础软硬件和科研生态带来诸多新挑战。

首先，对科学问题机理化的探索，需要深度学习平台能够具备更加丰富的各类计算表达能力，如高阶自动微分、复数微分、高阶优化器等；

其次，科学问题的求解往往需要超大规模的计算，这对深度学习平台与异构超算/智算中心适配及融合优化，神经网络编译器加速和大规模分布式训练提出了新的要求；

此外，如何实现人工智能与传统科学计算工具链的协同，也是需要解决的问题。

AI for Science 作为一种新的科研范式，充分体现了AI与基础学科的交叉融合，这需要大量的跨领域科研人才，形成稳定、优质的科研生态，来加速 AI for Science 的技术创新与应用落地。

在基础软硬件层面，飞桨作为国内首个自主研发、功能丰富、开源开放的产业级深度学习平台，研发了通用高阶自动微分、神经网络编译器和大规模分布式计算等核心技术。

深度适配超算、智算的异构算力，支撑 AI 方法与基础学科方法交叉融合，可以突破基础学科中“控制方程数值求解”时所面临的维数高、计算量大等挑战，实现数据和物理机理驱动的微分方程快速智能求解和跨尺度模拟仿真。

针对科学计算问题的定义与求解，飞桨既提供灵活、高效的深度学习框架，支持开发者通过调用框架提供的基础开发接口，实现自定义物理方程、模型组网、仿真计算等过程；同时飞桨也提供了多领域的工具组件，支持开发者通过调用工具组件提供的高层开发接口，实现物理问题求解。我们发布了赛桨 PaddleScience、螺旋桨 PaddleHelix、量桨 PaddleQuantum等科学计算开源工具组件。