2024年的諾貝爾獎(jiǎng)將人工智能(AI)推到了科學(xué)舞臺(tái)的中央。這不僅是對幾位杰出科學(xué)家的認(rèn)可，也是對AI在科學(xué)進(jìn)步中作用的肯定。這些獎(jiǎng)項(xiàng)的頒發(fā)，標(biāo)志著AI在科學(xué)研究中的重要地位得到了認(rèn)可，預(yù)示著AI正在重塑我們的世界，尤其是在科學(xué)探索和創(chuàng)新的范式上掀起了新的浪潮。
AI的崛起已然勢不可擋，正在顛覆我們對世界的認(rèn)知和科學(xué)研究的方式。AI for Science和Science in AI已成為前沿科學(xué)領(lǐng)域的新口號(hào)。展望未來，AI將在更多領(lǐng)域釋放出無限潛力，為人類社會(huì)帶來前所未有的福祉。我們正站在一個(gè)新時(shí)代的開端：擁抱AI，便是擁抱未來的無限可能。01AI與物理學(xué)的交匯：從Hopfield網(wǎng)絡(luò)到深度學(xué)習(xí)從研究邏輯上看，物理學(xué)和人工智能的路徑截然不同。物理學(xué)以探索自然界的運(yùn)行規(guī)律為目標(biāo)，致力于通過公式和數(shù)學(xué)模型揭示從宇宙尺度到亞原子粒子間的深層關(guān)系。它強(qiáng)調(diào)理解自然現(xiàn)象背后的根本原理，嘗試通過一系列方程來解釋復(fù)雜系統(tǒng)的行為。而人工智能則更多采用“數(shù)據(jù)驅(qū)動(dòng)”的方式，往往通過端到端的學(xué)習(xí)模型從海量數(shù)據(jù)中提取特征并進(jìn)行預(yù)測。這種方式有助于快速處理復(fù)雜問題，而無需明確構(gòu)建與自然現(xiàn)象對應(yīng)的物理機(jī)制。在實(shí)踐中，研究者往往并非一味依賴數(shù)據(jù)，不少人工智能模型的設(shè)計(jì)仍會(huì)適度融合已有的領(lǐng)域知識(shí)或理論視角，以期提高模型的準(zhǔn)確性和可解釋性。隨著二者的交匯，學(xué)科之間的邊界已經(jīng)逐漸消融，預(yù)示著更加多元化與交叉創(chuàng)新的未來研究格局。1982年，John J. Hopfield提出了著名的Hopfield網(wǎng)絡(luò)，將物理學(xué)中的自旋相互作用原理運(yùn)用到神經(jīng)網(wǎng)絡(luò)中，用來模擬記憶的存儲(chǔ)和重構(gòu)[1]。這一網(wǎng)絡(luò)的設(shè)計(jì)靈感來自統(tǒng)計(jì)物理中的伊辛模型(Ising model)，這種模型借助相鄰磁疇之間的相互作用描述整個(gè)系統(tǒng)的鐵磁相變，模型可以通過不斷反轉(zhuǎn)自旋方向來實(shí)現(xiàn)能量最小化并到達(dá)系統(tǒng)的穩(wěn)定狀態(tài)(圖1)[2]。Hopfield網(wǎng)絡(luò)將這種機(jī)制運(yùn)用到神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)可以通過不斷反轉(zhuǎn)神經(jīng)元的狀態(tài)實(shí)現(xiàn)類似的能量最小化的過程，從而達(dá)成穩(wěn)定儲(chǔ)存的“記憶”。這一創(chuàng)新成為了后續(xù)眾多能量基模型(energy-based models)的基礎(chǔ)，也被認(rèn)為是現(xiàn)代神經(jīng)網(wǎng)絡(luò)時(shí)代的開始[3]。
圖1. (a)物理系統(tǒng)的Ising模型；(b)神經(jīng)網(wǎng)絡(luò)中的Hopfield網(wǎng)絡(luò)在Hopfield網(wǎng)絡(luò)的基礎(chǔ)上，加拿大計(jì)算機(jī)科學(xué)家Geoffrey E. Hinton提出了玻爾茲曼機(jī)(Boltzmann machine)，通過引入統(tǒng)計(jì)物理學(xué)中的玻爾茲曼分布概念，為神經(jīng)網(wǎng)絡(luò)帶來了隨機(jī)性的特征[4]。與確定性的Hopfield網(wǎng)絡(luò)不同，玻爾茲曼機(jī)允許系統(tǒng)在不同能量狀態(tài)之間進(jìn)行隨機(jī)轉(zhuǎn)換，這種機(jī)制模擬了自然系統(tǒng)中的隨機(jī)漲落現(xiàn)象，使網(wǎng)絡(luò)能夠突破局部最優(yōu)的限制，向全局最優(yōu)解探索。這一設(shè)計(jì)與物理系統(tǒng)追求熱力學(xué)平衡的過程展現(xiàn)出深刻的相似性。玻爾茲曼機(jī)中隨機(jī)性的引入也使得模型在更復(fù)雜的數(shù)據(jù)分布的學(xué)習(xí)中找到了解決途徑。通過限制神經(jīng)元之間的連接方式，玻爾茲曼機(jī)可以在表達(dá)能力的同時(shí)，降低計(jì)算復(fù)雜度，即受限玻爾茲曼機(jī)(restricted Boltzmann machine，RBM)[5]。在深度學(xué)習(xí)的早期發(fā)展中，已經(jīng)出現(xiàn)了一些重要的網(wǎng)絡(luò)架構(gòu)。1989年，LeCun等人提出的卷積神經(jīng)網(wǎng)絡(luò)(CNN)通過局部連接和權(quán)值共享的特性，為解決計(jì)算機(jī)視覺問題提供了全新思路[6]。針對長序列數(shù)據(jù)處理的需求，1997年Hochreiter和Schmidhuber提出了長短期記憶網(wǎng)絡(luò)(LSTM)，通過精妙的門控機(jī)制解決了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)難以處理長期依賴的問題[7]。然而，這些架構(gòu)由于深層訓(xùn)練的問題，性能和潛力未能完全釋放。2006年，Hinton團(tuán)隊(duì)在受限玻爾茲曼機(jī)的基礎(chǔ)上提出了具有里程碑意義的深度信念網(wǎng)絡(luò)(deep belief network，DBN)[8]。他創(chuàng)造性地提出了一種逐層訓(xùn)練的方法：首先讓每一層RBM分別學(xué)習(xí)輸入數(shù)據(jù)的特征表示，然后通過自下而上的方式逐層堆疊。這種訓(xùn)練策略有效緩解了深層神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的梯度消失問題，使得訓(xùn)練更深層的網(wǎng)絡(luò)結(jié)構(gòu)成為可能。這一突破激發(fā)了新一輪的架構(gòu)創(chuàng)新，包括2012年同樣由Hinton團(tuán)隊(duì)提出的深度卷積神經(jīng)網(wǎng)絡(luò)AlexNet[9]，2017年Google團(tuán)隊(duì)提出的基于自注意力機(jī)制的Transformer等[10]，推動(dòng)深度學(xué)習(xí)在視覺、語音、自然語言等多個(gè)領(lǐng)域取得重大突破。2024年，John J. Hopfield和Geoffrey E. Hinton因?yàn)樵谏窠?jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)中的奠基性工作獲得了諾貝爾物理學(xué)獎(jiǎng)。事實(shí)上，物理學(xué)的眾多研究方法和理論工具，如統(tǒng)計(jì)力學(xué)、量子力學(xué)等，都在AI中找到了獨(dú)特的應(yīng)用場景。近年來備受關(guān)注的擴(kuò)散模型(diffusion model)就是另一個(gè)絕佳范例[11]。這類模型借鑒了朗之萬動(dòng)力學(xué)的物理過程，通過模擬分子擴(kuò)散的原理來生成數(shù)據(jù)[12]。通過將數(shù)據(jù)逐步加入噪聲，再通過去噪過程重建數(shù)據(jù)的方式，擴(kuò)散模型在圖像生成、語音合成、蛋白質(zhì)設(shè)計(jì)等領(lǐng)域取得了令人矚目的成果[1315]。
圖2. AI撕裂回避系統(tǒng)控制托卡馬克以及等離子體響應(yīng)的示意圖[16] (a)托卡馬克裝置執(zhí)行器隨時(shí)間的演化，紅色波浪線表示可能的等離子體撕裂極限；(b)系統(tǒng)的撕裂可能性的變化；(c)等離子體壓力的變化。其中藍(lán)色和黑色曲線分別表示有無AI控制器的干預(yù)情況；(d)在參數(shù)空間內(nèi)，系統(tǒng)會(huì)在AI控制器的輔助下沿著最優(yōu)路徑(黃色線)運(yùn)行。有趣的是，這種跨學(xué)科的協(xié)同效應(yīng)正在形成良性循環(huán)：AI不僅從物理學(xué)汲取靈感，也開始反過來推動(dòng)物理學(xué)研究的突破性進(jìn)展。這種雙向促進(jìn)的典范案例不斷涌現(xiàn)。例如，在可控核聚變領(lǐng)域，2023年普林斯頓大學(xué)的研究人員利用強(qiáng)化學(xué)習(xí)算法成功優(yōu)化了核聚變裝置的等離子體控制策略[16]。通過讓AI代理在模擬環(huán)境中不斷嘗試和學(xué)習(xí)，系統(tǒng)掌握了精確控制磁場構(gòu)型的方法，顯著提升了等離子體的穩(wěn)定性和約束時(shí)間(圖2)。這一突破為實(shí)現(xiàn)可控核聚變這一人類清潔能源的終極夢想帶來了新的希望。在氣象科學(xué)領(lǐng)域，AI同樣展現(xiàn)了驚人的潛力，華為發(fā)布的盤古氣象大模型通過整合海量氣象數(shù)據(jù)，建立起更準(zhǔn)確的天氣預(yù)測系統(tǒng)[17]。與傳統(tǒng)數(shù)值模擬方法相比，這種方法不僅預(yù)報(bào)速度更快而且擁有全時(shí)間段更高的準(zhǔn)確度，為氣象災(zāi)害預(yù)警提供了更可的依據(jù)。我們有理由相信，人工智能與物理學(xué)的協(xié)同創(chuàng)新將繼續(xù)深化，催生出更多突破性的科技進(jìn)展。我們將會(huì)見證更多AI助力下的物理學(xué)重大發(fā)現(xiàn)，而這些發(fā)現(xiàn)反過來又會(huì)促進(jìn)AI技術(shù)的革新，形成更強(qiáng)大的創(chuàng)新驅(qū)動(dòng)力。02生命科學(xué)重新認(rèn)識(shí)AI潛力：從Rosetta軟件到AI驅(qū)動(dòng)的創(chuàng)新2024年諾貝爾化學(xué)獎(jiǎng)則授予了華盛頓大學(xué)的David Baker，以及谷歌DeepMind的Demis Hassabis和John M. Jumper，肯定了他們在計(jì)算蛋白質(zhì)設(shè)計(jì)與結(jié)構(gòu)預(yù)測領(lǐng)域的卓越貢獻(xiàn)。人體內(nèi)擁有數(shù)萬種蛋白質(zhì)，已知的蛋白質(zhì)數(shù)量也超過數(shù)億。然而，在浩瀚的蛋白質(zhì)序列宇宙中，這不過是冰山一角�？茖W(xué)家們既希望優(yōu)化現(xiàn)有的工具蛋白，也渴望探索蛋白質(zhì)宇宙中的“暗物質(zhì)”，即那些尚未發(fā)現(xiàn)的功能蛋白。這正是蛋白質(zhì)設(shè)計(jì)的核心使命通過這一技術(shù)，科學(xué)家們可以創(chuàng)造出全新、自然界中從未存在的蛋白質(zhì)。這些蛋白質(zhì)不再受限于傳統(tǒng)進(jìn)化規(guī)則，而是完全由人類設(shè)計(jì)，具備定制化功能特征。在蛋白質(zhì)設(shè)計(jì)領(lǐng)域，華盛頓大學(xué)David Baker團(tuán)隊(duì)無疑站在了最前沿。過去20年中，該團(tuán)隊(duì)致力于開發(fā)計(jì)算驅(qū)動(dòng)的蛋白質(zhì)設(shè)計(jì)方法，從蛋白質(zhì)結(jié)構(gòu)入手，從頭開始設(shè)計(jì)出形態(tài)和功能各異的蛋白質(zhì)(圖3)。隨著時(shí)間的推移，這一領(lǐng)域經(jīng)歷了巨大的進(jìn)步：從最初基于物理和統(tǒng)計(jì)方法的Rosetta軟件[18]，到如今依靠深度學(xué)習(xí)的AI方法，如ProteinMPNN[19]和RFdiffusion[20]，蛋白質(zhì)設(shè)計(jì)技術(shù)不斷革新，但從頭設(shè)計(jì)蛋白的目標(biāo)始終不變。
圖3. David Baker 團(tuán)隊(duì)設(shè)計(jì)的蛋白質(zhì)案例(來源于瑞典皇家科學(xué)院)如今，Baker團(tuán)隊(duì)設(shè)計(jì)的蛋白質(zhì)已具備多種功能，包括從頭設(shè)計(jì)的聯(lián)合疫苗RSV/hMPV[21]、能夠識(shí)別非天然底物的熒光素酶[22]以及用于藥物研發(fā)的細(xì)胞因子類似物和抗體[23，24]。蛋白質(zhì)設(shè)計(jì)已經(jīng)完成了概念驗(yàn)證階段，正逐步拓展到各類生物醫(yī)學(xué)領(lǐng)域的實(shí)際應(yīng)用中。在生命科學(xué)領(lǐng)域，乃至整個(gè)自然科學(xué)中，AI最具影響力的應(yīng)用莫過于AlphaFold2[25]。其誕生故事看似簡單：一位橫跨數(shù)學(xué)、物理、化學(xué)、生物、計(jì)算機(jī)的年輕博士John Jumper，與谷歌DeepMind公司的Demis Hassabis共同領(lǐng)導(dǎo)的頂尖跨學(xué)科團(tuán)隊(duì)，經(jīng)過三年的努力，打造出一個(gè)專門用于解決蛋白質(zhì)結(jié)構(gòu)預(yù)測任務(wù)的模型。在AlphaFold2之前，傳統(tǒng)的結(jié)構(gòu)預(yù)測方法主要依賴于同源建模和物理化學(xué)模擬，預(yù)測精度有限且計(jì)算成本高昂。而AlphaFold2通過創(chuàng)新性地整合深度學(xué)習(xí)與生物學(xué)知識(shí)，特別是利用多序列比對(MSA)中的進(jìn)化信息和新型注意力機(jī)制，在2020年CASP14競賽中實(shí)現(xiàn)了歷史性突破預(yù)測精度首次達(dá)到了實(shí)驗(yàn)方法的水平，在90%以上的目標(biāo)蛋白上獲得了與晶體結(jié)構(gòu)相當(dāng)?shù)脑蛹?jí)精度[26]。這一成就被Science雜志評(píng)為2021年度十大科學(xué)突破之首，標(biāo)志著困擾生物學(xué)界50年之久的蛋白質(zhì)折疊問題得到了實(shí)質(zhì)性解決。盡管AlphaFold2當(dāng)時(shí)在蛋白質(zhì)復(fù)合物結(jié)構(gòu)預(yù)測以及藥物分子、核酸、修飾蛋白等方面還存在局限，但三年后的AlphaFold3解決了這些問題(圖4)[27]。這一突破性的成功使整個(gè)生物學(xué)界重新認(rèn)識(shí)了AI的潛力，并推動(dòng)了新的算法開發(fā)，如前文提到的蛋白質(zhì)設(shè)計(jì)方法，也催生了生物技術(shù)公司的蓬勃發(fā)展和全新的科研模式。AlphaFold2毫無疑問改變了生物學(xué)家研究蛋白質(zhì)的方式。自AlphaFold問世以來，它已廣泛應(yīng)用在各式各樣的生物學(xué)研究中。在蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫PDB中，通過實(shí)驗(yàn)方法解析的蛋白質(zhì)結(jié)構(gòu)數(shù)量已達(dá)到20萬，這也成為了AlphaFold訓(xùn)練數(shù)據(jù)的重要來源[28]。然而，在最近的研究中，這些巨量的結(jié)構(gòu)數(shù)據(jù)已被用于發(fā)現(xiàn)新型工具酶，如堿基編輯器[29]、真核細(xì)胞的基因編輯蛋白Fanzor[30]，以及追溯CRISPR-Cas13基因編輯系統(tǒng)的進(jìn)化祖先[31]。同樣，AlphaFold還通過其結(jié)構(gòu)預(yù)測能力，在基于結(jié)構(gòu)的大規(guī)模篩選中發(fā)揮關(guān)鍵作用，例如幫助識(shí)別人體內(nèi)蛋白質(zhì)相互作用的蛋白[32]，以及設(shè)計(jì)更好的蛋白遞送載體[33]。正如BLAST已經(jīng)成為傳統(tǒng)生物信息學(xué)工具的代表，AlphaFold正逐步成為生物學(xué)研究中的便捷且精準(zhǔn)的AI工具，融入很多生物學(xué)領(lǐng)域的研究當(dāng)中曾經(jīng)耗費(fèi)大量時(shí)間和資金才能獲得的蛋白質(zhì)結(jié)構(gòu)，現(xiàn)在“點(diǎn)擊就送”。展望未來，AlphaFold的后續(xù)版本有望解決更多復(fù)雜問題，帶來更多意想不到的應(yīng)用場景。
圖4. AlphaFold3的預(yù)測結(jié)構(gòu)案例。其中，藍(lán)色為預(yù)測蛋白結(jié)構(gòu)，綠色、黃色和紫色分別為預(yù)測的抗體、配體和核酸結(jié)構(gòu)，灰色為真實(shí)結(jié)構(gòu)[27]。(a)人類40S小核糖體亞基與eIF1A/eIF5B復(fù)合；(b)糖基化的EXTL3二聚體；(c)抗體15B6結(jié)合Mesothelin肽；(d)LGK974與PORCN-WNT3A復(fù)合；(e)DADH與AziU3/U2復(fù)合；(f)NIH-12848類似物與PI5P4Kγ結(jié)合。03AI應(yīng)得諾獎(jiǎng)：人工智能在科學(xué)中的革命性影響
這次諾貝爾化學(xué)獎(jiǎng)和物理學(xué)獎(jiǎng)都給了AI，尤其是物理學(xué)獎(jiǎng)直接頒發(fā)給了Hinton(一個(gè)計(jì)算機(jī)科學(xué)家)還是令人非常震驚的。除了對Hinton基于物理啟發(fā)的人工智能算法的開發(fā)的認(rèn)可，更體現(xiàn)了諾獎(jiǎng)委員會(huì)對科學(xué)范式變革的預(yù)見。
物理這門學(xué)科歸根結(jié)底是探索理解這個(gè)世界的方法論。傳統(tǒng)的物理方法論，或者說占據(jù)統(tǒng)治地位的方法論，是搞清楚底層機(jī)理，通過不斷地疊加近似來解讀復(fù)雜事物。但AI反其道行之，是基于數(shù)據(jù)推斷給出預(yù)測。這也能解決問題，就像諾貝爾化學(xué)獎(jiǎng)的“蛋白質(zhì)結(jié)構(gòu)預(yù)測”，最開始研究這個(gè)問題的是統(tǒng)計(jì)物理學(xué)家，他們基于物理計(jì)算來預(yù)測蛋白結(jié)構(gòu)，但深度學(xué)習(xí)在這個(gè)問題上獲得了完勝傳統(tǒng)物理計(jì)算的精度。如果科學(xué)問題本身就是如何預(yù)測一個(gè)給定序列蛋白的三維結(jié)構(gòu)，那么顯然我們的物理底層知識(shí)和方程是不夠的，但基于大數(shù)據(jù)的AI方法是能解決這個(gè)科學(xué)問題的�；跀�(shù)據(jù)的推斷就是在這個(gè)科學(xué)問題上更好的方法論。這無疑是對傳統(tǒng)物理方法論的一種沖擊。這次諾獎(jiǎng)的頒發(fā)顯示了物理學(xué)的包容，我們期待看到更多基于數(shù)據(jù)推斷的工具在物理學(xué)涌現(xiàn)，幫助我們找到更好的超導(dǎo)材料，幫我們找到更優(yōu)的聚變控制方法等等。一直以來諾貝爾獎(jiǎng)被視為科學(xué)領(lǐng)域的最高榮譽(yù)，用于表彰在物理學(xué)、化學(xué)、生理學(xué)或醫(yī)學(xué)等領(lǐng)域作出突出貢獻(xiàn)的個(gè)人。然而，隨著人工智能技術(shù)的飛速發(fā)展，AI正在深刻改變著各個(gè)學(xué)科的研究方式和方向，成為數(shù)據(jù)推斷的新范式。此次諾獎(jiǎng)將物理學(xué)獎(jiǎng)和化學(xué)獎(jiǎng)同時(shí)頒發(fā)給AI領(lǐng)域的先驅(qū)，正是對這一趨勢的最好回應(yīng)。|作者：余元璽1鐘博子韜2洪亮1,3,(1 上海交通大學(xué)物理與天文學(xué)院)(2 香港中文大學(xué)電子工程學(xué)系)(3 上海交通大學(xué)張江高等研究院)參考文獻(xiàn)
[1] Hopfield J J. Proceedings of the National Academy of Sciences，1982，79(8)：2554
[2] Brush S G. Reviews of Modern Physics，1967，39(4)：883
[3] LeCun Y，Chopra S，Hadsell Ret al. A Tutorial on Energy-basedLearning. In：Baklr Get aledited. Predicting Structured Data.TheMIT Press，2006
[4] Ackley D H，Hinton G E，Sejnowski T J. Cognitive Science，1985，9(1)：147
[5] Hinton G. Momentum，2010，9(1)：926
[6] LeCun Y，Bottou L，Bengio Yet al. Proceedings of the IEEE，1998，86(11)：2278
[7] Hochreiter S. Neural Computation，1997，9(8)：1735
[8] Hinton G E. Scholarpedia，2009，4(5)：5947
[9] Krizhevsky A，Sutskever I，Hinton G E. Advances in Neural Information Processing Systems，2012，25：1097
[10] Vaswani A. Attention is all you need. In：Advances in NeuralInformation Processing Systems 30，2017
[11] Ho J，Jain A，Abbeel P. Advances in Neural Information Processing Systems，2020，33：6840
[12] Sohl-Dickstein J，Weiss E，Maheswaranathan Net al.ICML'15：Proceedings of 32nd the International Conference on MachineLearning，2015，37：2256
[13] Croitoru F A，Hondru V，Ionescu R Tet al. IEEE Transactions onPattern Analysis and Machine Intelligence，2023，45(9)：10850
[14] Yang D，Yu J，Wang Het al. IEEE/ACM Transactions on Audio,Speech, and Language Processing，2023，31：1720
[15] Zhou B，Zheng L，Wu Bet al. Cell Discovery，2024，10(1)：95
[16] Seo J，Kim S，Jalalvand Aet al. Nature，2024，626(8000)：746
[17] Bi K，Xie L，Zhang Het al. Nature，2023，619(7970)：533
[18] Rohl C A，Strauss C E，Misura K Met al. Methods in Enzymology，2004，383：66
[19] Dauparas J，Anishchenko I，Bennett Net al. Science，2022，378(6615)：49
[20] Watson J L，Juergens D，Bennett N Ret al. Nature，2023，620(7976)：1089
[21] Boyoglu-Barnum S，Ellis D，Gillespie R Aet al. Nature，2021，592(7855)：623
[22] Yeh A H-W，Norn C，Kipnis Yet al. Nature，2023，614(7949):774
[23] Silva D A，Yu S，Ulge U Yet al. Nature，2019，565(7738)：186
[24] Bennett N R，Watson J L，Ragotte R Jet al. 2024，bioRxiv：2024.03.14.585103
[25] Jumper J，Evans R，Pritzel Aet al. Nature，2021，596(7873)：583
[26] Callaway E. Nature，2020，588(7837)：203
[27] Abramson J，Adler J，Dunger Jet al. Nature，2024，630：493
[28] Berman H M，Westbrook J，F(xiàn)eng Zet al. Nucleic AcidsResearch，2000，28(1)：235
[29] Huang J，Lin Q，F(xiàn)ei Het al. Cell，2023，186(15)：3182
[30] Saito M，Xu P，F(xiàn)aure Get al. Nature，2023，620(7974)：660
[31] Yoon P H，Zhang Z，Loi K Jet al. Science，2024，385(6708)：538
[32] Lim Y，Tamayo-Orrego L，Schmid Eet al. Science，2023，381(6664)：eadi3448
[3] Kreitz J，F(xiàn)riedrich M J，Guru Aet al. Nature，2023，616(7956)：357
（參考文獻(xiàn)可上下滑動(dòng)查看）
來源：中國物理學(xué)會(huì)期刊網(wǎng)
編輯：4925
