量子科技中心_量科网

物理学仿真器在科学与工程领域至关重要，能实现对复杂系统的分析、控制与设计。在实验科学中，该工具正越来越多地通过组合搜索和优化来实现实验设计的自动化。然而，随着实验装置日益复杂，传统基于CPU的仿真器计算成本成为主要瓶颈。该研究团队展示了神经代理模型如何在保持精度的同时显著降低对此类低速仿真器的依赖。以干涉式引力波探测器设计为例，该团队训练了一个神经网络来替代LIGO团队开发的引力波物理仿真器Finesse。尽管物理参数的微小变化可能导致输出量级改变，该模型仍能快速预测候选设计的质量与可行性，从而实现对大型设计空间的高效探索。该算法在代理模型训练、逆向设计新实验、以及用低速仿真器验证设计属性以进一步训练之间形成闭环。借助自动微分与GPU并行计算，该方法提出高质量实验方案的速度远超直接优化——仅需数小时获得的解决方案，其性能优于优化器耗时五天获得的设计。虽然以引力波探测器为演示场景，该框架可广泛应用于其他因仿真器瓶颈而阻碍优化与发现的领域。