AI for Science 研究如何用机器学习、图神经网络、生成模型和科学基础模型解决蛋白、分子、材料、气象、物理仿真等科学问题。
科学问题往往不是普通分类题。分子有化学键，蛋白有序列和三维结构，材料有晶体结构，气象有空间场和物理规律。AI for Science 的关键是把这些科学结构编码进模型。
这个方向的价值在于它能形成“预测-生成-验证”的闭环：预测性质、生成候选、用实验或仿真验证，再继续改进模型。
中文链路图：把方向拆成输入、模型、任务和成果
一个方向能不能做成项目，关键看它能不能落到明确任务、评价指标和实验数据。
任务地图：适合小白先判断项目切入点
预测分子的化学和生物性质。
理解蛋白从序列到结构和功能的关系。
预测材料是否适合电池、催化、半导体等场景。
生成可能满足目标性质的新分子、新蛋白或新材料。
用深度学习替代或辅助数值天气预报。
用 Agent 或科学基础模型辅助提出假设和设计实验。
技术路线不是模型名清单，而是看这个方向的问题意识如何一步步变化。
技术路线图：帮助学生看懂方法演进
先把科学对象转成指纹、描述符和表格特征。
用节点、边和几何关系表示分子、材料和相互作用。
用 Transformer、扩散模型和大规模预训练学习通用科学表示。
把文献、代码、实验规划和验证工具串成科学发现流程。
这不是让你背论文名，而是按时间线建立路线感：先看每篇论文解决了什么问题，再看图里哪一块最关键，最后知道它适合放进什么项目里。
为什么重要：AlphaFold 展示 AI 可以解决长期科学难题，是 AI for Science 的标志性论文。
新手读法：重点看序列、结构约束和端到端预测如何结合。
打开论文 / 来源为什么重要：用神经算子做全球天气预测，是 AI 天气模型的重要代表。
新手读法：重点看空间场、频域建模和多步预测。
打开论文 / 来源为什么重要：GraphCast 用图网络做中期天气预报，展示图结构和物理网格结合的威力。
新手读法：重点看地球网格如何转成图，以及多变量天气场如何滚动预测。
打开论文 / 来源为什么重要：系统梳理材料科学中的基础模型、Agent、数据集和工具，适合建立 AI for Materials 路线图。
新手读法：重点看任务分类：数据抽取、性质预测、结构设计、工艺优化和多尺度建模。
打开论文 / 来源不同任务不能只看 Accuracy。论文和项目都要说明指标为什么适合当前问题。
性质预测、天气预测和连续变量任务常用。
候选分子或材料筛选时看前 K 个是否命中。
生成结构是否满足化学、物理或几何约束。
分子和材料是否稳定可合成。
模型候选是否能通过仿真或实验验证。
科学模型常常要比较精度和计算成本。
小白选题时先确认数据、代码和 benchmark 是否可获得，否则方向再热也很难落地。
学生看老师主页最难的是不知道关键词背后对应什么任务和能力要求。
用 AI 加速科学问题求解，通常需要理解领域数据。
预测分子毒性、活性、溶解度等性质。
用大规模蛋白序列/结构预训练模型。
寻找新材料、预测稳定性和性能。
用深度学习预测气象场和气候变量。
模型提出候选，仿真或实验验证，再反馈优化。
真正适合学生的路线，是先跑通最小闭环，再逐步加难度。
先确定做分子、蛋白、材料、气象还是实验数据。
用 MoleculeNet、Materials Project、ERA5 等跑 baseline。
用 GNN、等变模型、物理损失或生成约束提升可信度。
围绕候选发现、跨数据泛化、实验验证或 Agent 科研流程做选题。
下面这些题目不是空泛口号，而是可以沉淀代码、实验结果、图表和论文雏形的方向。
用 GNN 预测分子毒性并标出关键原子/子结构。
输入晶体结构预测带隙并可视化材料空间。
用蛋白语言模型提取表示并预测功能。
用 ERA5 数据预测温度、风速或降水变量。
从材料或药物论文中抽取实验条件和结果。
比较生成分子的有效性、新颖性、稳定性和目标性质。
这部分覆盖搜索和咨询时最高频的问题。
适合，但一定要选窄问题，不要一开始覆盖整个科学领域。
不必一开始很深，但必须愿意补领域概念，否则很难解释结果。
GNN 是 AI for Science 的常用方法之一，尤其适合分子、材料和相互作用建模。
这个方向只是计算机科研路线中的一个入口。你也可以继续查看多模态学习、世界模型、推荐系统、可信 AI 等方向，再结合自己的专业基础、目标导师和时间周期选择更合适的切入点。