物理

在他看来，当AI要打通物理世界，需要对物理系统进行建模、仿真和控制，一个有物理背景的人更能知道什么物理问题重要、什么能够更好地被AI解决。

在广义的AIforScience（AI4S）概念中，AI4Engineering可被视为面向工程物理系统与产业落地的重要分支。

他曾与博士生导师MaxTegmark教授提出“理论学习”的新学习范式和以AI物理学家（AIPhysicist）为核心的方法，并在生成式AI赋能复杂物理系统仿真、控制、设计方面做出一系列开创性工作。

在工程物理系统的研发中，原力引擎并非简单替代传统CAE软件，而是以数值模拟与实验数据为高可信训练基础并融入更多的物理先验，通过神经算子、扩散模型等方法学习物理场演化及条件分布，在推理阶段完成快速预测与耦合生成。

我找了副导师MaxTegmark，和他一起做AI+物理方面的研究。

以聚变场景对模型精度、实时性和安全性的严苛要求，可以反向锤炼可复用的物理建模与控制能力。

更重要的是，聚变场景对模型精度、实时性和安全性的严苛要求，能够反向锤炼可复用的物理建模与控制能力。

在吴泰霖看来，工程中不同领域很多问题类似，比如多尺度多物理场仿真和控制等，理应建立一个通用的平台同时服务各个领域。

多尺度多物理场仿真有不少技术难点，这个赛道还处于非共识阶段。

我们的理念是，不同领域很多问题类似，比如多尺度多物理场仿真、高性能控制等，可以有一个统一的底层系统同时服务各个领域，不同领域可以相互借鉴，甚至可以降维打击，鲁棒性更强。

相关算法此前已在沙特阿美的千万级网格油藏仿真中完成工业部署，未来也将在核电多物理场仿真、3C力热仿真、航空航天等方向推进产业合作。

此前的学术经历塑造了他对AI与物理关系的底层理解。