报告题目：面向化学发现的多尺度人工智能
报告时间：2026年10月20日上午10:00
报告地点：新能源大楼215会议室
报告人简介：
程立雪（Sherry Lixue Cheng）现任香港科技大学化学系及化学与生物工程系助理教授，主持物质科学人工智能实验室（AI for Physical Sciences Lab）。她于2016年获得美国威斯康星大学麦迪逊分校理学学士学位，主修化学、数学、生物化学和分子生物学，辅修计算机科学；2022年于加州理工学院获得理论化学博士学位，师从Thomas F. Miller III教授。加入香港科技大学前，曾在腾讯量子实验室和微软研究院AI4Science实验室从事研究。她的研究聚焦人工智能、量子计算与化学的交叉，发展以物理理论为基础的多尺度建模方法，涵盖分子轨道机器学习、神经网络波函数、材料生成模型及面向科学发现的多智能体系统
报告摘要：
化学研究需要连接电子运动、原子结构与可观测性质，并将计算预测转化为可检验的实验问题。人工智能为这一过程提供了新的方法，其科学价值也取决于物理一致性、跨体系迁移能力及预测结果的可验证性。本报告以结构、波函数和性质之间的联系为主线，介绍我们结合人工智能、量子化学与量子计算的多尺度研究，讨论如何将高精度模拟、材料生成、性质预测和实验反馈组织为协作的科学流程。
在电子结构层面，Orbformer通过预训练与微调学习可迁移的分子波函数，为深度量子蒙特卡洛计算提供基础模型。在材料设计层面，SCGEN将组成和对称性采样与坐标优化分离，使晶体生成结合物理约束。在计算与实验之间，FLEX从文献构建含氟分子空间，结合量子化学描述符与多个模型筛选电解液添加剂，再利用首轮实验反馈调整后续候选，第二轮验证仍待完成。MatCausal引入因果推断，研究材料变量之间的联系，区分观测中的相关性与干预下的因果效应，为理解材料性质变化提供另一种分析视角。
报告将重点介绍催化数字孪生CatDT：多智能体从体相晶体和反应描述出发，调用工具完成表面建模、机理搜索、能垒计算与动力学预测。UniMech通过化学合理性筛选和能量引导搜索缩小反应网络，记忆机制则复用已有计算经验；相关预测与实验基准比较，并用于催化剂筛选。PRIS进一步探索AI如何提出和检验科学假设，从实验晶体数据中提炼可解释的结构合理性规则，为生成结构提供化学诊断，也明确合理性检查与热力学稳定性、可合成性之间的区别。
最后，报告将讨论科学模型安全与实验决策审查。SFMSafeLens以同一分子的不同表示形式进行配对评估，考察模型拒答和响应严重程度；ChemTriage通过匹配证据记录，评估模型能否区分证据充分、信息缺失与证据冲突，并作出批准、转交人工审查或拒绝的判断。这些工作共同探讨如何使AI参与科学探索，同时保留物理检验、证据审查与实验反馈。