单击上方“图灵人工智能”，选择“星标”公众号

您想知道的人工智能干货，第一时间送达

2024 年初，科罗拉多大学博尔德分校（University of Colorado Boulder）化学与生物工程系的博士生阿卡瓦·冈古利（Arkava Ganguly）已经在一个数学问题上卡了一年半。

他和导师安库尔·古普塔（Ankur Gupta）教授想知道，粒子的形状究竟如何影响它在电场中的移动速度。自上世纪初相关理论得到经典结论以来，该问题被学界讨论了一个多世纪，却一直缺乏一套广泛适用的解析框架。

新的发现往往来自交流。一次晚餐中，普林斯顿大学（Princeton University）流体力学家霍华德·斯通（Howard Stone）教授给安库尔提出了一个建议：不要试图直接处理任意形状，或许可以从“变形球体”（deformed sphere）入手，把粒子看成一个球，加上一个很小的形状扰动。

思路打开了，但求解所需的计算量依然巨大，他们决定把繁重的推导工作交给 Claude，并在短短五周后得到了答案，研究于 8 月 27 日发表在《流体力学杂志》（Journal of Fluid Mechanics）。

在这篇论文的正文和附录中，研究者几乎逐字公开了他们与 Claude 的关键对话，记录 AI 的每一次犯错、编造，以及人类科学家的纠正过程，为 AI4S（AI 驱动的科学研究）提供了宝贵的参考范本。

粒子的形状究竟如何影响迁移率？

阿卡瓦和导师安库尔主要研究电泳（electrophoresis）问题，这是指带电粒子在电场中的移动。它的迁移率，即粒子速度与电场强度的比值，是胶体科学和生物医学分析里最基础的测量量之一，从 DNA 分离、蛋白质纯化，到纳米粒子表面电荷（即 zeta 电位）的测定，都建立在对这个量的准确计算之上。

一百多年前，波兰物理学家马利安·斯莫卢霍夫斯基（Marian Smoluchowski）推导出了初步结果：当粒子周围的离子云厚度（即德拜层，电解质中屏蔽电场的特征长度）比粒子本身薄得多时，粒子的迁移率与其自身的大小和形状都无关。打个通俗的比方，在这种极端条件下，一个球和一个橄榄球在电场中的移动速度是完全一样的。

1970 年，美国工程师莫里森（F.A. Morrison）用更严谨的数学方式重新证明了这种“形状无关性”，随后，德国物理学家托伊布纳（Max Teubner）在 1982 年独立给出了另一种证明。

5 周的 160 轮对话，以及无数个错误

（来源：Journal of Fluid Mechanics）

据此，团队决定转换方法论，放弃薄德拜层假设，只对形状做单一摄动。这是整个项目最关键的一步，也呼应了作者的立场：AI 擅长处理计算，前提是人类学者必须明确用什么方法来算。

只有一种形状真的重要

（来源：科罗拉多大学博尔德分校）

至此，围绕电泳展开的一系列基础和应用研究终于有了一套通用的解析框架，这对纳米粒子表征、zeta 电位测量、微流控芯片设计等意义深远。

参考内容：

https://doi.org/10.1017/jfm.2026.11948

https://www.colorado.edu/chbe/fast-error-prone-ai-assists-solving-decades-old-fluid-mechanics-problem-five-weeks

https://www.colorado.edu/faculty/gupta/

https://www.eurekalert.org/news-releases/1141706

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成

文章精选：

1.图灵奖得主姚期智最新演讲： AI有边界，恰恰是好事