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。