电子行业专题研究-AI for Science：科学探索的新范式

免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 1 证券研究报告 电子 AI for Science:科学探索的新范式 华泰研究 电子 增持 (维持) 研究员 黄乐平，PhD SAC No. S0570521050001 SFC No. AUZ066 leping.huang@htsc.com +(852) 3658 6000 研究员 张皓怡 SAC No. S0570522020001 zhanghaoyi@htsc.com +(86) 21 2897 2228 联系人 陈钰 SAC No. S0570121120092 chenyu019111@htsc.com +(86) 21 2897 2228 行业走势图 资料来源：Wind，华泰研究 2023 年 5 月 17 日│中国内地 专题研究 AI 助力量子、核聚变、材料研发等前沿技术领域发展 AI for Science 是指以机器学习、深度学习等人工智能技术分析处理多维度、多模态、多场景下的模拟和真实数据，解决复杂推演计算问题，加快基础科学和应用科学的发现、验证、应用，打造下一代科学范式。AI for Science 作为人工智能工程化应用落地的重要路径，是筑基中国智能经济底座的关键组成部分。其在 Micro-Science 领域的应用主要包括生物制药、材料研发和前沿物理方向。自 2018 年 DeepMind 提出 AlphaFold 模型，我们看到在其他重点科学技术领域上突破包括：1）量子，AI 技术优化量子系统软硬件设计，提升量子计算、量子通信、量子精测测算等应用的效率与准确性；2）核聚变，通过 AI 深度强化学习精准调控核聚变控制过程，降低开发周期；3）材料科学，AI 大模型广泛应用于材料理化性质预测、结构筛选、建模仿真等层面，加快新材料的研发速度和效率。 AI+量子：优化系统软硬件设计，提升量子技术应用的效率与准确性 据 WFE 数据，2022 年全球对量子技术研发的投资总额达 355 亿美元。AI技术对量子系统的优化包括采用不同的监督和无监督学习算法解决量子多体问题、重建高维量子系统的密度矩阵、促进自校准量子传感器的发展等。从具体应用划分来看，1）量子计算方面，AI 可用于优化量子计算的硬件和软件算法设计；2）量子通信方面，AI 可用于训练生成量子通信协议；3）量子精密测量方面，AI 可用于提高基于金刚石量子精密测量技术的纳米核磁共振二维谱探测效率。2020 年 10 月，清华大学交叉信息研究院邓东灵研究组与北京大学张亿研究组合作，首次把强化机器学习的方法引入到量子编译中，实现了优化量子编译线路的普适算法，大幅优化现有编译方案。 AI+核聚变：精准调控核聚变控制过程，有效降低开发周期 托克马克装置的控制过程具有非线性、实时变化、多变量等特点，不仅需要大量的工程、设计和专业知识，同时还要进行复杂的平衡估计来实时计算调控的电流。传统的计算机模型和模拟方式不一定能够优化该过程，精确性也无法保障。而通过强化学习设计的磁性控制器，可自主学习设计整个控制线圈的电流，既可以满足苛刻的物理操作约束条件，也能够实现稳定的输出控制，减少了磁约束控制器的开发周期。2022 年 2 月 16 日，人工智能公司DeepMind 和瑞士洛桑联邦理工学院的研究团队，通过与托卡马克模拟器的互动学习生成控制策略，直接在硬件上运行，不仅实现对等离子体平衡的基本品质的精确控制，同样具备复杂配置能力。 AI+材料科学：逆向设计是 AI 助力材料研发创新的主要范式 新材料“发现/设计-开发-制造-应用”完整周期需耗费 10-20 年时间，存在较大的应用和投资风险。借助 AI 大模型，研究人员根据所需性能逆向推导目标材料的组成成分、结构和流程工艺的逆向设计方式已经成为 AI 助力材料研发创新的主要范式。此外，机器学习强大的预测性能，在材料科学各层面已有广泛应用，例如：1）高效材料特性预测的代用模型开发；2）使用变异自动编码器 VAE 和生成对抗网络 GAN 的生成性材料设计；3）通过将实验设计算法与自动机器人平台结合，实现自主材料合成；4）深度学习用于原子尺度材料成像数据的精确表征。美国企业 QuesTek（未上市），Citrine（未上市）以及国内的深势科技（未上市）、鸿之微科技（未上市）、机数科技（未上市）、迈高材云科技（未上市）等在该领域均已有布局。 风险提示：AI 及技术落地不及预期；本研报中涉及到未上市公司或未覆盖个股内容，均系对其客观公开信息的整理，并不代表本研究团队对该公司、该股票的推荐或覆盖。 (12)(2)81727May-22Sep-22Jan-23May-23(%)电子沪深300 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 2 电子 AI for Science：人工智能助力科学探索的新范式 AI for Science 是指以机器学习、深度学习等人工智能技术分析处理多维度、多模态、多场景下的模拟和真实数据，解决复杂推演计算问题，加快基础科学和应用科学的发现、验证、应用，打造下一代科学范式。如下图所示，AI for Science 主要包括：（1）蛋白质结构分析等生物制药,（2）新材料研发，（3）核聚变等前沿物理，（4）气候预测等地球模拟和天文探索，（5）飞机引擎，汽车动力结构，建筑等工业设计等领域。 图表1： AI for Science 全景图 注：百度（BIDU US）、晶泰科技（未上市）、北京智源（未上市）、深势科技（未上市）、商汤（00020 HK）、阿里（BABA US）、第四范式（未上市）、华为（未上市）、创腾科技（未上市）、谷歌（GOOGL US）、CARDC、安世亚太（833714 CH）、设序（未上市）、微软（MSFT US）、腾讯（00700 HK） 资料来源：IDC，华泰研究 具体来说，在量子物理领域：人工智能赋能量子物理主要包括量子态模拟和优化、量子态重构、量子控制和优化等应用，这些环节往往在极短时间内就产生大量数据，而人力识别需要耗费大量的时间成本，因此需要 AI 来建立仿真模型，实时处理实验数据。在能源科学领域：涵盖材料设计、能源系统优化、智能电网、能源储存与转换以及节能环保等方面，特别是在核聚变方面，AI 技术可以挖掘数据中的模式和趋势，提供对核聚变过程的精确建模和预测，还可以通过智能化的控制策略和自适应优化方法，提高核聚变设备的性能和效率。在材料科学领域：材料研发技术流程与药物研制类似，涉及材料理化性质预测、结构筛选、建模仿真与高性能算力支持等。IDC 认为在基于人工智能技术的材料智能搜索中，AI 帮助在庞大的搜索空间中寻找最佳配比，优化预测和设计新材料的体系，另外，AI 也可以采集学习实验失败数据，有效提高模型精度和数据利用率。在生命科学领域：AI 为研究人员提供了强大的工具和方法来处理和分析大规模的生物学数据，包括解读基因组数据和预测基因功能、预测蛋白质的三维结构和加速药物发现过程、医学影像分析和病理学诊断、建立个体化医疗模型和提供定制化医疗方案等。 免责声明和披露