物理学院2019级拔尖计划校友颜显权在人工智能顶级会议ICLR发表研究成果

近日，四川大学物理学院2019级拔尖计划校友颜显权在物理学与人工智能交叉研究领域取得新进展。相关成果以“HSG-12M: A Large-Scale Benchmark of Spatial Multigraphs from the Energy Spectra of Non-Hermitian Crystals”（HSG-12M：源自非厄米晶体能谱的空间多重图大规模评测基准）为题，发表于国际表征学习大会（The Fourteenth International Conference on Learning Representations，ICLR 2026）。颜显权为论文第一作者兼共同通讯作者。

ICLR是机器学习和人工智能领域公认的顶级国际会议，与NeurIPS、ICML并列为该领域最具影响力的学术会议之一。根据Google Scholar Metrics 2025数据，ICLR的h5-index为362，在全球各类学术出版物中位列第8。有研究按照期刊影响因子的两年引文窗口进行类比测算，ICLR的影响因子约为48.9。

在开放物理系统中，非厄米晶体的能谱会在复能量平面上形成弧线、环路乃至复杂的几何图案。这些图案与材料的导电、光学和传感性质密切相关，但以往主要依赖人工绘图和目视分析，难以开展系统的大规模研究。针对这一问题，研究团队开发了高性能开源工具Poly2Graph，可从晶体哈密顿量出发，自动提取相应的“哈密顿量谱图”，将复杂能带转化为人工智能能够高效处理的数学图结构。

Poly2Graph将复能量谱转化为人工智能能够高效处理的数学图结构，并由此构建HSG-12M——面向图人工智能的大规模基准数据集。图片由AI工具生成。

基于Poly2Graph，团队从177 TB原始谱数据中构建了HSG-12M数据集，包含1160万幅静态谱图和510万幅动态谱图，覆盖1401类特征多项式。该数据集是首个面向空间多重图学习的大规模基准，不仅保留节点之间是否连接，还完整记录多条连接路径的形状、位置与几何信息，为几何感知图学习提出了新的研究挑战。

研究表明，现有图神经网络已经能够从复杂谱图中筛选出少量可能的材料类别，但尚不能充分理解多条弯曲连接所包含的几何信息。该成果在凝聚态物理与图人工智能之间建立了新的桥梁，有望服务于具有特定电子、光学和声学性质的材料及超材料设计，并推动人工智能辅助科学发现。

这是一项横跨非厄米凝聚态物理、代数几何、形态计算机视觉技术以及图机器学习等领域的交叉研究。这一成果体现了物理学基础训练与人工智能方法交叉融合的创新潜力，也是学院拔尖创新人才培养成效的生动体现。

NUS报道的封面图片

ICLR h5-index

论文链接：

https://openreview.net/forum?id=YxuKCME576