机器学习的物理维度：比特与原子的双向转化
从飞机机翼到集成电路，物理世界正被数字创新塑造，反之亦然。在某知名理工学院的比特与原子研究中心（CBA），科学家们致力于研究"如何将数据转化为物体，并将物体转化为数据"。该中心主任、2019年某中心机器学习研究奖获得者尼尔·格申菲尔德，就其称为"设计的设计"的设计形态发生学研究及计算未来展开深入探讨。
第三数字革命：制造领域的变革
格申菲尔德在《设计现实》一书中提出三次数字革命的理论：第一次是通信革命（从电话到互联网），第二次是计算革命（个人电脑与智能手机），而第三次将发生在制造领域。这与CBA的核心工作密切相关——体现计算而非抽象计算，从根本上对齐硬件和软件的表征以实现可扩展性、效率和生产力，推动比特与原子之间的双向转化。
设计形态发生学的技术内核
设计形态发生学源于图灵对"基因如何产生形态"的研究，这与机器学习存在深刻关联。现代机器学习并未找到更好的搜索方法，而是发现了更有趣的搜索表征方式。在形态发生项目中，研究团队通过搜索发育程序进行设计：
- 齿轮设计突破：通过搜索齿轮的算法表征而非显式设计，重新发现了数个世纪的齿轮设计经验
- 仿真引擎优化：研究发现仿真引擎是主要限制因素，促使研究重点从形态发生转向仿真系统重构
- 粒子系统统一框架：正在将15种不同的粒子系统综合为多物理场建模的通用粒子框架
技术实现与基础设施
研究采用多层计算架构：
- 本地计算集群
- 机构级大型集群
- 国家级超级计算机
- 某云服务的按需扩展能力
特别是在齿轮问题中，机器学习系统会发现满足表面要求但违背实质的解决方案，这凸显了人在循环中的重要作用。研究工作具有高度交互性，需要实时可视化与动态节点扩展。
未来技术发展方向
- 新型物理引擎服务：仿真引擎成熟后将转化为生产模式，成为新型云计算服务
- 嵌套搜索架构：底层搜索针对物理模型，高层搜索针对设计，形成两级嵌套搜索体系
- 硬件架构变革：通过离散组装集成电子（DICE）项目，探索软件如何改变硬件构造
技术挑战与创新
当前多物理场建模面临重大挑战：
- 3D物理建模与计算机几何无法关联
- 几何快速变化时的重网格生成问题
- 求解器稳定性难题
- 分子动力学模拟的时间尺度限制
研究团队开发的通用粒子框架基于传播和交互的基本约束，将几乎所有物理现象简化为传播和交互粒子的抽象，只需改变相互作用的力定律即可。这种并行表征具有鲁棒性、可扩展性，并覆盖广泛的物理现象。
定制化计算架构的未来
通过机器人组装器自动组装小型计算构建块，DICE项目旨在显著降低定制计算架构的门槛。这种机器学习系统能够在成长过程中学习自身架构，突破传统芯片开发需要三年时间和十亿美元级投资的限制，为计算架构创新开辟新的可能性。