罗格斯大学物理学家大卫·施（David Shih）近日在科学预印本平台arXiv发布研究，介绍了一种用于简化粒子物理复杂方程的人工智能（AI）方法。施表示，这一方法的关键灵感来自他多年与孩子一起解魔方的经历：将被“打乱”的状态通过一系列步骤复原为有序状态。

施在论文中称，团队将数学简化过程与解魔方建立类比，认为两者都可视为“打乱与复原”的问题。他表示，在寻找解决方案的过程中，这一类比对方法形成起到了重要作用。

在粒子物理研究中，用于描述亚原子粒子碰撞的方程往往包含数百项，表达式冗长且计算负担较重。施指出，研究者通常相信复杂计算背后存在更为简洁的结构，尤其在粒子物理领域，基于基本理论的对称性与结构，复杂推导往往预期能够得到相对简单的结果。

研究称，简化方程有助于科学家更清晰地识别模式、提高预测精度，并降低计算所需算力。施同时表示，简化并不改变方程含义，但可减少计算机在合并或相减极大数值时产生的微小舍入误差，从而提升数值计算的稳定性与精度。

在方法设计上，施尝试让AI通过机器学习寻找新的简化路径：研究从简单方程出发，通过一系列数学运算将其“打乱”为更复杂形式，并记录将其复原为简洁表达式所需的步骤。系统在学习大量示例后，逐步掌握识别模式并逆转“打乱”过程的能力。施称，当系统面对此前未见过的新复杂方程时，也能够将其简化。

施表示，新方法在实验中实现了“几乎完美的简化率”，并称其效果超过以往基于机器学习的相关方法。研究还指出，该结果显示AI可能成为符号推理的有力工具，符号推理是科学研究中用于发现自然规律的重要数学思维方式。

除方法本身外，施强调该项目的另一特点在于研究流程：他在监督下与具备代理能力的AI系统Claude Code进行全面合作。施称，Claude Code在项目中承担了编写代码、运行实验、生成数据、绘制图表并协助撰写论文等工作，其角色“类似一名研究生”。

罗格斯大学物理与天文学系杰出教授、系主任杰克·休斯（Jack Hughes）表示，这项工作凸显了研究方式变化的速度，并称与AI代理协作的研究模式有潜力显著加快科研进程，同时需要培养学生和博士后掌握这种新型工作方式。

施表示，与AI协作改变了他作为研究者能够尝试的课题范围，并称如果学会正确使用这些工具，研究者可以承担更具雄心的问题，个人能够完成的工作规模也会随之变化。

不过，施也提到AI系统在高效率之外仍会犯错，且可能重复同样的错误，因此需要研究者持续监督并核查其产出。他表示，这段经历让他同时看到了AI作为研究伙伴的能力与局限。

围绕AI在科研中的角色，施称学界存在不同看法：一方认为AI未来可能独立完成发现，另一方则认为应由人类引导AI协作，以更快速度处理更多数据与任务。施表示，他更倾向于认为AI将使科学家能够完成远超当下的工作。

施称，这种转变已在其团队中展开，他正在培训博士后与学生与Claude等AI系统协作，重点在于如何引导系统工作并验证输出结果。他还提到，未来大学可能需要通过新课程将相关训练制度化，课程将聚焦于“vibe编码”和“vibe研究”，即科学家与AI协作探索想法、测试方案并加速研究的工作方式。

施表示，AI可能成为科研的标准组成部分，但人类判断仍不可或缺。他称，下一代科学家的关键技能不仅在于解决问题，也在于学会与AI协作、引导并验证其产出。