AI for Science · 交互式可视化
AI for Science 可视化实验室
从 AlphaFold 到定理证明，8 个 AI 驱动科学发现的核心模块。理解 Evoformer、神经力场、PINN 与图神经网络如何重塑科研范式。
模块 8风格 Linear Dark依赖 零渲染 SVG / Canvas
01AlphaFold · 蛋白质结构预测
AlphaFold2 用 MSA 提取共进化信号，经 Evoformer (MSA 表征 ↔ 配对表征) 迭代更新，结构模块输出原子坐标。pLDDT 置信度标注预测可靠区域。
02AI 加速分子模拟 · 神经网络力场
传统 MD 用量子/经验力场算能量，单步 O(N²)~O(N³)。神经力场 (NNFF) 一次前向传播预测能量与力，加速 100~10000 倍，支撑更大空间时间尺度。
03AI 药物发现
生成模型设计新分子，对接模型预测药物-靶点结合亲和力。下方生成候选分子并预测其与靶点口袋的结合打分。
已生成0
结合打分越负越优。AI 生成式模型在化学空间 (≈10⁶⁰ 分子) 中高效搜索，结合预测过滤高亲和力候选。
04Physics-Informed Neural Networks
PINN 把 PDE 残差作为损失项嵌入神经网络训练。无需网格，用自动微分计算偏导。拖动「训练步数」观察预测解逼近精确解。
训练步数
0
损失—
PINN 预测精确解配点
损失 = 数据项 + PDE 残差项 + 边界条件项。神经网络同时拟合数据与物理定律。
05AI 天气预测 · GraphCast
GraphCast 用图神经网络在球面网格上迭代预测大气状态；Pangu-Weather 用 3D 地球 Transformer。二者均超越传统数值天气预报 (NWP)。
预报时刻0 h
上：全球温度场 (图神经网络节点)。下：500hPa Z500 预报 RMSE，AI (粉) 持续优于 NWP (灰) 与持续预报。
06材料科学 AI · 晶体结构与性质
图神经网络以晶格+原子为输入，预测形成能、带隙等性质；生成模型探索新材料空间。切换晶系查看预测性质。
形成能: —
带隙: —
体模量: —
声子稳定性: —
性质由材料图神经网络 (M3GNet/ALIGNN 类) 预测。生成模型可逆向设计满足目标性质的晶体。
07AI 辅助定理证明 · Lean
Lean 等证明助手把数学形式化；AI 预测 tactic 与前提 (premise selection) 辅助人类。逐步执行下面的证明，观察目标状态变化。
步0
定理
theorem and_comm : ∀ (a b : Prop), a ∧ b → b ∧ a
AI (如 LeanDojo) 对每个目标预测最可能的 tactic，将搜索空间从天文级压缩到可枚举，辅助完成复杂证明。
08科学发现中的 LLM
LLM 作为科研助手：文献检索、假设生成、知识综合。点击下方问题，查看 检索 → 综合 的科研问答流程。
流程：问题 → 检索相关文献 (向量数据库) → 综合生成带引用的回答。LLM 降低跨学科知识获取门槛。