复旦学者共话交叉研究与科学智能

　　如何将聚合物与纳米粒子结合起来，发挥二者优势，从而构建结构精准、性能独特的复合材料？这是高分子科学系、聚合物分子工程国家重点实验室教授聂志鸿想要解决的科学问题。

　　原子通过形成分子丰富了我们的物质和生命世界。与此类似，将具有光、电、磁、热等特性的纳米粒子视为原子，结合形成具有分子空间构型的精准结构，即胶体分子，有望为功能材料创制提供一种新范式。由于胶体分子间的耦合、干涉、衍射等物性协同作用，这类材料能够更自由地操控光、电、磁、热等局域物场，获得超越自然材料的颠覆性性能。

　　如何调控纳米粒子类原子价，是胶体分子制备中的一大挑战。过去，研究者们通过在“针尖上雕刻”的方式，对纳米粒子进行定点表面修饰，利用粒子间点对点或面对面的分子识别作用，驱动粒子有方向性的精准结合。然而，这一方法通常无法满足宏观材料构筑的需要。

　　受原子共价键合的启发，团队通过共聚物介导的纳米粒子定向键合，设计并合成胶体分子及其宏观功能材料。“光学超材料是胶体分子材料的典型之一。这种材料可呈现出多种超常电磁响应特性，在超透镜、超分辨光学显微镜、光学隐形、光束整形等方面具有重要应用价值。”聂志鸿说。

　　未来，聂志鸿希望通过材料基因工程等方式，获得种类更多元和结构更丰富的胶体分子，并尝试引入人工智能等手段，创制具有颠覆性光学、力学等特性的复合材料。

　　“这是一个典型的理工医相结合的研究。”化学系“瑞清”特聘讲席教授仰大勇介绍，他所带领的课题组研究方向是将脱氧核糖核酸（DNA）作为一种组装材料用于肿瘤诊疗。

　　1953年，科学家沃森和克里克发现了DNA分子的双螺旋结构，标志着分子生物学时代的开启。1982年，西曼教授开始将DNA分子当作一个结构单元来构造纳米结构和材料，开启了分子材料时代。

　　科学发展日新月异，今天，我们如何重新认识DNA分子？仰大勇认为，DNA作为一种“完美”的精准材料化学体系，其结构和生物功能的可控性使其在材料创制方面具有巨大潜力。由此，课题组致力于优化和调控DNA分子功能，通过碱基互补配对实现可控组装，以满足特定的应用需求。

　　在细胞表面组装方面，课题组将自然界中已有的滚环扩增反应（Rolling Circle Amplification, RCA）改造成双滚环扩增反应（Double RCA），实现了DNA分子网络的可控组装。仰大勇介绍，基于DNA网络的可控组装策略，实现了干细胞、T细胞和外泌体等生物颗粒的高纯度、高活性、高特异性和无损伤分离，进一步赋能肿瘤的早期诊断和高效率免疫治疗。

　　在细胞内部组装方面，课题组研究了一种DNA纳米组装框架，用于CRISPR-Cas9的可控传递，利用肿瘤细胞内端粒酶介导DNA网络组装，调控线粒体功能，从而满足了细胞功能精准调控、基因药物递送的应用需求，也就是说，可以做到精准作用于某一肿瘤细胞器，而不损伤到正常细胞。

　　仰大勇引用马克斯·普朗克的论述阐述科学的本质就是交叉和融合：“科学是内在的统一整体……实际上存在着由物理到化学，从生物学、人类学到社会科学的连续链条。这是任何一处都不能被打断的链条。”正因如此，从研究化学组装方法和机理，构建功能材料，到推进临床诊断和治疗应用，他带领团队破解一个又一个难题。

　　超导电性、集成电路、信息存储、太阳能电池……作为高科技器件的源泉，物质科学蕴藏着丰富的物理现象。随着计算机和算法的发展，计算已经成为了研究物质科学不可或缺的重要手段。

　　物理学系谢希德特聘教授、计算物质科学研究所副所长向红军介绍，第一性原理密度泛函理论（DFT）是计算物质科学的主流方法。1900年以来，国际上引用率最高的前10篇论文中，有2篇与DFT相关。然而，传统的计算物质科学方法存在局限性，大规模求解DFT方程存在困难。

　　随着人工智能的兴起和应用，新的计算方法正在赋能物质科学研究，形成了基于AI的计算物质科学的新型研究范式。向红军/龚新高团队发展了构造原子层面有效哈密顿量的机器学习方法，提出了描述磁性体系相互作用的神经网络模型。

　　“我们的实验表明，模型不仅效率高，而且精度与DFT方法相当。” 向红军/龚新高团队提出了名为HamGNN的预测材料电子结构的图神经网络模型，可以避免通常计算中昂贵、复杂的过程。在该模型基础上，团队近期开发了预测电子哈密顿量的通用AI模型，可用于高效计算任何材料的电子性质，而无需执行额外的DFT计算。

　　目前，向红军/龚新高团队成功开发了包括多种机器学习方法的材料质性分析和模拟软件（PASP），PASP可同时处理自旋、轨道、晶格、电荷等多个自由度。软件已实现商业化，被澳大利亚昆士兰大学、中国科学技术大学、学、浙江大学等多家单位采购。相关成果在多个国际权威期刊发表。

　　复旦大学119周年校庆来临之际，人工智能创新与产业研究院教授徐增林在报告伊始送上了两份“贺礼”——由人工智能工具生成的以“庆祝复旦大学119周年校庆”为主题的漫画与歌曲。可以看到，目前不论使用哪一款大语言模型，其生成的画面与文本指令均存在不匹配之处，“比如GPT4O显然不会写汉字”。

　　不可否认的是，大语言模型在作为人类助手方面存在巨大潜力，并已在语言、语音、图像等领域取得了令人惊奇的成功，但是，为什么大模型在时间序列领域的效果并不显著？

　　时间序列数据的意义在于，能够根据过去数据来预测未来事件的趋势和风险。该类数据的应用广泛存在于预测天气预报、交通流量、金融市场分析和疾病发展趋势分析等领域，具有重要价值。

　　由此，徐增林通过时间因子分解和通道混合的多变量时间序列预测，以帮助模型更好地理解和预测不同时间序列数据之间的关系和相互作用。同时，他重新审视长期时间序列预测，不断改进和优化模型。徐增林认为，由于时间序列的信息稀疏性，正则化线性模型可以很好地建模时间序列的周期性和趋势性。

　　报告末尾，徐增林提出了一个新问题：时间序列大模型的研究有必要吗？他认为，对于单一时序的预测任务，正则化线性模型已足够好，简单又有效；而在融合其他领域知识方面，大时序模型更能一展所长，这也正是其研究意义所在。

　　生成式人工智能正在主导行业变革，使医院连接模式变为虚实融合、由实向虚，也有望彻底改变目前就医逻辑以及医患关系。

　　附属中山医院信智部规划与管理中心主任、人工智能创新与产业研究院副教授钱琨认为，面对医疗供给和需求的难题，以互联网医疗、人工智能赋能数字孪生为代表的智能化、数字化变革之路，是破局的重要方向。

　　在疾病诊疗方面，以肝外科为例，中山肝癌的多模态算法集市中有能帮助医生在诊室规范诊疗方案的智能辅助决策系统，也有辅助医生手术规划与操作的机器人应用，专家也能在肝病数据库系统中快速定位科研方向；在心内科，相比传统病人出现症状或发生事件的救治，人工智能和多组学技术能够整合心脏血管病变的度信息，预测患者发生心肌梗死风险并进行精准防治，实现“上医治未病”；在神经内科，中山医院自主研发的智能步态评估机器人，筛查步态异常准确度达92.6%，目前，这项技术已在全国拥有60个示范点，应用超10万人，步态评估需求量大，市场前景好。

　　在医院管理方面，放眼全球，已有不少医院正在通过智慧化建设，加强患者体验及医院运营效率。比如中山医院以5G、人工智能等数字技术，建立基于智能诊疗的全程服务理念，努力形成智慧医院的“中山模式”。

　　面对可解释性低、算法偏见等现实问题，钱琨认为医院应建立起人工智能综合治理体系，在治理主体、手段和对象上有进一步优化。“面向未来的医院人工智能，应当聚焦癌症、心脑血管、老年性疾病、传染病等关系人民群众生命健康的重大疾病防治，创新诊疗方案，推进国产新药、高端医疗器械研发及国产化替代。”钱琨说。