این چارچوب در یک مقاله Perspective در نشریه Advanced Functional Materials با عنوان «Physics-Grounded Materials Artificial Intelligence for Reliable Materials Discovery» ارائه شده است. هائو لی (Hao Li)، استاد برجسته مؤسسه تحقیقات پیشرفته مواد (WPI-AIMR) در دانشگاه توهوکو، از پژوهشگران این مطالعه، تأکید می‌کند که کشف مواد نمی‌تواند تنها بر اساس همبستگی‌های موجود در داده‌ها انجام شود و واردکردن اصول فیزیکی به سامانه‌های هوش مصنوعی می‌تواند پیش‌بینی‌های آنها را از منظر علم مواد معنادارتر و قابل‌بررسی‌تر کند.
رفتار یک ماده نتیجه برهم‌کنش مجموعه‌ای از عوامل فیزیکی است. ترمودینامیک، سینتیک، ساختار الکترونی، فرایندهای انتقال و همچنین شرایط محیطی و عملیاتی، همگی می‌توانند تعیین کنند که یک ماده چگونه عمل می‌کند. از دید پژوهشگران، اگر هوش مصنوعی در زمان تحلیل داده‌ها و ارائه پیش‌بینی‌ها به این اصول نیز توجه کند، می‌توان مسیر کشف مواد را از یک فرایند صرفاً مبتنی بر یافتن همبستگی‌های آماری به رویکردی نزدیک‌تر به استدلال علمی و فیزیکی تغییر داد.
چارچوب PhysMat AI دانش فیزیکی را در پنج نقش مکمل سازمان‌دهی می‌کند: «دانش پیشین»، «توصیفگرها»، «قیود»، «راستی‌آزماها» و «زیرساخت». این پنج بخش در کنار یکدیگر قرار می‌گیرند تا دانش فیزیکی در مراحل مختلف فرایند کشف مواد مورد استفاده قرار گیرد.
در بخش دانش پیشین، اطلاعات و اصول شناخته‌شده علمی می‌توانند نقطه شروعی برای تعریف مسئله و محدوده جست‌وجو باشند. توصیفگرها نیز راهی برای نمایش ویژگی‌های مواد و تبدیل اطلاعات علمی آنها به شکلی فراهم می‌کنند که مدل‌های هوش مصنوعی بتوانند از آن استفاده کنند. در مرحله بعد، قیود فیزیکی می‌توانند فضای جست‌وجو را محدود کنند و مانع از آن شوند که مدل، گزینه‌هایی را پیشنهاد دهد که با اصول شناخته‌شده علمی ناسازگارند.
نقش راستی‌آزماها نیز بررسی پیش‌بینی‌های مدل در برابر اصول و شواهد فیزیکی است. به این ترتیب، خروجی هوش مصنوعی صرفاً به دلیل آنکه از نظر آماری امیدوارکننده به نظر می‌رسد، پذیرفته نمی‌شود و می‌توان آن را با معیارهای علمی مستقل ارزیابی کرد. در نهایت، زیرساخت موردنیاز برای سازمان‌دهی داده‌ها، مدل‌ها، شبیه‌سازی‌ها و نتایج آزمایشگاهی، بخش دیگری از این معماری را تشکیل می‌دهد.
پژوهشگران برای توضیح کاربرد این چارچوب، نمونه‌هایی از حوزه‌های مختلف علم مواد را بررسی کرده‌اند. کاتالیزورها، الکترولیت‌های جامد مورد استفاده در باتری‌های حالت‌جامد و مواد ذخیره‌ساز هیدروژن از جمله حوزه‌هایی هستند که در آنها ترکیب هوش مصنوعی با دانش فیزیکی می‌تواند اهمیت ویژه‌ای داشته باشد.
برای مثال، در کشف یک کاتالیزور جدید، مدل هوش مصنوعی ممکن است براساس داده‌های موجود ماده‌ای را به‌عنوان گزینه‌ای امیدوارکننده پیشنهاد کند. اما صرفاً پیش‌بینی یک عملکرد مطلوب کافی نیست. ساختار ماده، شرایط واکنش، پایداری آن و سازوکار احتمالی عملکرد نیز باید با اصول فیزیکی و شیمیایی سازگار باشند. در چارچوب PhysMat AI، این دانش می‌تواند از همان مراحل اولیه برای تعریف فضای جست‌وجو و سپس برای بررسی پیش‌بینی‌های مدل مورد استفاده قرار گیرد.
همین رویکرد را می‌توان در جست‌وجوی مواد مناسب برای الکترولیت‌های جامد باتری‌ها یا مواد ذخیره‌کننده هیدروژن به کار گرفت. در چنین حوزه‌هایی، خواص مختلف ماده به یکدیگر وابسته‌اند و یک ماده نمی‌تواند تنها به دلیل برخورداری از یک ویژگی مطلوب، گزینه مناسبی برای کاربرد نهایی باشد. هوش مصنوعی فیزیک‌محور می‌تواند تلاش کند میان ویژگی‌های مختلف و محدودیت‌های فیزیکی موجود ارتباط برقرار کند.
یکی دیگر از اجزای مهم این چارچوب، استفاده از «عامل‌های هوش مصنوعی» یا AI agents است. پژوهشگران تصور می‌کنند عامل‌های هوشمند در آینده بتوانند دانش فیزیکی را با پایگاه‌های داده علمی، شبیه‌سازی‌های رایانه‌ای و نتایج آزمایش‌های واقعی ترکیب کنند. چنین سامانه‌ای می‌تواند در شکل‌گیری فرضیه‌های علمی، انتخاب ابزار یا روش مناسب برای بررسی یک مسئله و ارزیابی امکان‌پذیری فیزیکی یک ماده پیشنهادی نقش داشته باشد.
در این مدل، فرایند کشف مواد یک مسیر یک‌طرفه از «داده» به «پیش‌بینی» نیست. اطلاعات حاصل از آزمایش نیز می‌تواند دوباره به سامانه بازگردد و هم پایگاه دانش و هم مدل‌های هوش مصنوعی را بهبود دهد. در نتیجه، یک چرخه بسته شکل می‌گیرد که در آن اصول فیزیکی، داده‌های معتبر، مدل‌های هوش مصنوعی، پیش‌بینی و غربالگری، آزمایش تجربی و بازخورد حاصل از آزمایش، به‌صورت پیوسته با یکدیگر در ارتباط هستند.
پژوهشگران برای توسعه این ایده، یک مسیر سه‌مرحله‌ای را نیز مطرح کرده‌اند. مرحله نخست، «هوش مصنوعی آگاه از فیزیک» یا physics-aware AI است که در آن دانش فیزیکی در ساختار و عملکرد مدل وارد می‌شود. مرحله بعد، «هوش مصنوعی دارای استدلال فیزیکی» یا physics-reasoning AI است که در آن سامانه می‌تواند هنگام انجام فرایند استدلال علمی از دانش فیزیکی استفاده کند. مرحله نهایی، «هوش مصنوعی خودمختار فیزیک‌محور» یا physics-autonomous AI است؛ سامانه‌ای که در چشم‌انداز پژوهشگران می‌تواند استدلال فیزیکی، شبیه‌سازی و آزمایش را در یک چرخه مداوم کشف مواد به یکدیگر متصل کند.
البته تحقق چنین سامانه‌ای با چالش‌های مختلفی همراه است. کیفیت و ساختار داده‌ها، نحوه نمایش دانش فیزیکی، طراحی مدل‌ها، اعتبارسنجی پیش‌بینی‌ها و اتصال مؤثر هوش مصنوعی به ابزارهای شبیه‌سازی و آزمایش، از جمله مسائلی هستند که باید در مسیر توسعه PhysMat AI حل شوند.
اهمیت این رویکرد در این است که هدف آن صرفاً افزایش تعداد موادی که هوش مصنوعی می‌تواند پیشنهاد دهد نیست، بلکه تلاش می‌کند رابطه میان پیش‌بینی محاسباتی و اصول تثبیت‌شده علم مواد را نیز تقویت کند. چنین ارتباطی می‌تواند بررسی تجربی پیش‌بینی‌های هوش مصنوعی را آسان‌تر کند و امکان ارزیابی دقیق‌تر چرایی مناسب‌بودن یک ماده پیشنهادی را فراهم آورد.
در صورت توسعه بیشتر، چارچوب‌های فیزیک‌محور می‌توانند در جست‌وجوی مواد موردنیاز برای فناوری‌های انرژی، از کاتالیزورها و باتری‌های حالت‌جامد گرفته تا مواد ذخیره‌ساز هیدروژن، مورد استفاده قرار گیرند. با این حال، PhysMat AI در وضعیت فعلی یک چارچوب پیشنهادی برای جهت‌دهی به توسعه نسل بعدی سامانه‌های هوش مصنوعی در علم مواد است و تبدیل این چشم‌انداز به سامانه‌های کاملاً خودمختار، به توسعه بیشتر مدل‌ها، داده‌ها، زیرساخت‌ها و روش‌های اعتبارسنجی نیاز خواهد داشت.