第190章 准备就绪

如遇到章节错误，请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，稍后尝试刷新。

第190章 准备就绪

最终，他敲下的题目是：《基於“万象”引擎叠代的ai—dft融合框架设计与高通量未知材料智能探索》。

这个项目深度融合了人工智慧（ai）与第一性原理计算（dft），是当前最炙手可热的交叉学科方向。

他开始运指如飞地撰写，背景部分，他引经据典，逻辑严密，寥寥数语就勾勒出传统材料研发的瓶颈和ai带来的范式革命曙光。

研究方案部分，他提出了一个清晰的三层架构：底层是增强的“万象”引擎中层是创新的ai—dft融合算法，顶层则是面向具体科学问题，如高温超导、

拓扑绝缘体的高通量筛选应用。

在“项目创新性”一栏，他写道：“本项目並非简单应用现有ai模型，而是旨在构建一个具备自主科学思维的计算框架。它不仅能计算已知，更能推演未知，实现从搜索到发现的跨越。”

写到这里，他停顿了一下，这句话在评审专家眼里，要么是惊世骇俗的突破，要么就是不知天高地厚的狂言。

不过可行性分析里，他详细阐述了自己的想法，毕竟就算有人脉也得要说服评审，如何让一个ai框架具备“推演未知”的能力，而不仅仅是优化已知？

他写道：传统的ai辅助材料设计，本质是高级的数据擬合，其性能上限受限於训练数据的数量与质量。

本项目提出的“ai—dft融合框架”，其根本创新在於引入“第一性原理计算作为物理约束和验证器”。

隨后，他详细阐述了一个动態闭环的工作流：

ai提出假设，基於初步训练和生成式模型，ai会提出在现有数据中不存在的、全新的候选材料结构或成分。

dft进行快速验证与筛选：这些候选结构不会直接进入耗时的全面计算，而是通过一个轻量级、高精度的ai代理dft模型进行初步物理合理性的快速筛选。

关键样本的精准dft计算：通过筛选的、最具潜力的少数候选样本，將送入严格的第一性原理计算进行最终验证。

这个过程，他称之为“对抗性验证”——ai如同天马行空的想像家，而dft则是裁判。

dft计算產生的新数据將立即反馈给ai模型，使其不断学习並修正自身的“物理直觉”。

“至此，”周昀写道，“ai不再仅仅是寻找数据中隱藏的相关性，而是在dft

所锚定的物理定律边界內，进行有依据的实验和推演，它从搜索已知迈向发现未知，其发现成果天然具备物理可解释性。”

不过他也主动指出了项目可能面临的风险，第一个就是ai生成结构的物理荒谬性，因此採用前述的“对抗性验证”循环，並设计了一套“物理规则过滤器”作为前置关卡，確保ai的想像力不会脱离基本的物理规律。

第二点是dft计算本身对某些新奇物性的预测偏差，为此他计划对最关键的成功预测，积极寻求合作实验组进行合成与验证，形成“计算预测—实验验证”的完整闭环，让成果不仅仅停留在理论层面。

等到所有东西全部写完，已经是几天之后了，申请书加起来大概一百多页，他点击了提交按钮，进入基金委的评审系统，顺便拜託了邓永华帮忙看著点，系统里有人帮忙盯著虽然不能改变结果，但也能儘可能早点知道结果。

周的的申请书被系统自动分派给了五位小同行或大同行专家进行匿名函评。

这其中，有三位对他的工作早有耳闻，甚至拜读过他关於“万象”引擎的预印本。

函评专家甲对计算材料学领域及周的本人印象极佳，所以给出的建议自然也非常好，“申请人的万象”其逻辑上的深度叠代与范式革新，提的ai—dft对抗性验证”框架构思巧妙，直击当前ai辅助材料设计的核心痛点。申请人展现了跨学科的卓越视野和强大的资源整合能力，项目可行性高，创新性突出，强烈建议优先资助。”

函评专家乙来自人工智慧交叉领域，“本项目將ai从工具提升为科研伙伴的尝试极具魄力。

技术路线清晰，特別是物理规则过滤器”与对抗性验证”的设计，体现了对ai模型可能產生幻觉”的深刻认知和有效制约。

申请人团队构成合理，具备完成该项目所需的所有关键技术能力。建议资助”

函评专家丙是传统材料计算，观点相对保守，“申请人的想法颇具新意，但自主科学思维”的提法仍需商榷，ai的本质仍是数学建模。项目依赖於ai生成结构的质量，虽设计了验证环节，但整个流程计算开销巨大，效率存疑。

不过，申请人前期基础扎实，若能完成既定目標的六七成，也已具备重要价值，建议资助。”

最终，周昀的本子获得了“aaaab”的函评成绩，即四个“优”，—

个“良”，这是一个近乎完美的分数，確保了它能毫无悬念地进入下一轮会议评审。

基金委的会议室內，气氛略带沉闷，空调低声运作，椭圆桌旁围坐著十数位材料、化学、信息等领域的资深学者，他们面前摆放著进入会评阶段的申请材料摘要和函评意见匯总。周昀的项目被排在了下午討论。

当他的申请材料被放到桌上时，学科秘书简要匯报了出色的函评成绩：“aaaab{，通讯评审评价很高。”

“周昀的这个项目，函评成绩很好，说明同行认可度很高。”他先肯定了客观事实，隨即话锋一转，手指点在“研究方案”部分，“但是，我依然有些疑虑。这个对抗性验证”的框架，听起来逻辑自洽，但实际操作起来，效率是关键。如果ai前端生成的绝大部分结构都是物理荒谬的，那么后续昂贵的dft计算资源，岂不是要被大量浪费在这个垃圾筛选”环节？这会不会变成一个计算资源的无底洞？

我们支持创新，但也必须对宝贵的国家科研经费负责。”

他的质疑非常具体，主要还是围绕成本效益问题，几位专家不自觉地点了点头，显然也有同感。

此时，另一位年纪稍轻的交叉学科研究的长江学者刘敏教授开口了，她此前对周昀的工作就比较关註：“李老师的担忧很实际。不过，我们看周昀的申请书，他在可行性分析”里其实已经预判了这个问题。

他提出了一个多层次过滤网络”的概念，首先是基於晶体学和化学经验的快速规则过滤，然后是轻量级ai代理模型进行物理合理性预筛。他提到，通过这两层过滤，能將需要严格dft计算的样本比例压缩到初始生成的千分之一甚至更低。我认为，这个设计是经过深思熟虑的，並非想当然。”

“理论设计是好的，”齐教授並未被完全说服，“但轻量级代理模型的准確性如何保证？