Ang pagkalkula ng isang beses sa isang暴力方法 para sa quantum behavior ng 100 electrons ay hihigit sa edad ng uniberso.
Isang molecule ng gamot ay may libo-libong elektron, at mas marami pa ang materyales ng battery. Ang pag-simulate nito ay isang pangunahing pangangailangan sa pag-unlad ng mga gamot, battery, at chip.
Ang grupo ni Anima Anandkumar ng California Institute of Technology ay nag-post ng isang papel noong Agosto 24, na nagbaba ng kumplikadong kalikasan ng ganitong uri ng kalkulasyon mula sa kubik hanggang sa halos linyar.
https://x.com/AnimaAnandkumar/status/2092031815448248594
Sobrang epekto: Isang simulasyon ng metal defect na may 82,500 na elektron ay natapos sa isang GPU lamang, habang noong 2019, ginamit ang halos 7,800 na GPU para sa parehong computation.
Nakakapagod na bottleneck na nasa loob ng 60 taon
Ang pinakakaraniwang computasyonal na paraan sa larangan ng quantum chemistry ay ang Density Functional Theory (DFT), isang teorya na Nobel-level, na kailangan sa pagpili ng gamot, pagdidisenyo ng catalyst, at pag-unlad ng materyales para sa battery.
Ang problema ay ang sobrang pagiging mabagal: habang lumalaki ang sistema, tumataas ang computation sa kubikong rate—kapag dumoble ang bilang ng mga elektron, tumataas ang computation ng 1,000 beses.
Sa loob ng 60 taon, ang mga pisiko ay patuloy na naghahanap ng paraan upang pabilisin ito, ngunit walang malaking pag-unlad.
Subukan ng AI ang dalawang pagkakataon.
Isang paraan ay ang pagpapahintulot sa modelo na direktang makapag-predict ng final result, isang hakbang lamang.
Magandang epekto sa loob ng distribusyon, ngunit mahina ang kakayahang mag-ekstrapola: agad na nawawala ang kontrol sa error kung ang molecule ay lalampas sa mga nakikita sa training set.
Ang pagsubok sa papel ay nagpakita na habang ipinapalawak ang maliit na molekula patungo sa mga molekula na gamot, tumataas ang error ng direkta na paghuhula mula sa mas mababa sa 1% patungo sa halos 10%, at kung minsan ay hanggang 41%.
Isang ibang pagkakataon ay sumusunod sa tradisyon ng mga pisikong nagtataguyod ng isang reverse mapping na matututunan ng AI.
Ang path na ito ay matematikal na hindi matatag; sa lahat ng control experiments sa papel, ang lahat ng mga kalkulasyon ay nag-diverge pagkatapos ng ilang iterasyon, at lahat ay nabigo.
Itrahin nang parang chain of thought sa halip na isang hakbang na mag-antay ng sagot
Nagbago ang direksyon ng papel na ito.
Ang proseso ng pagkalkula ng DFT ay isang prosesong paulit-ulit: sa bawat round, ibinibigay ang isang set ng mga input condition, kinukalkula ang electronic density, at ginagamit ang density upang i-update ang mga input condition, at paulit-ulit hanggang sa maging stable ang resulta.
Ang tradisyonal na paraan ay nakakapit sa bawat iterasyon kung saan kailangan ng isang malaking komputasyonal na paglutas, na kubikong antas.
Ang paraan ng koponan ni Anandkumar ay gamitin ang AI para palitan ang hakbang na ito.
Trainer ang Fourier Neural Operator (FNO) upang matutunan ang forward mapping na “ibinigay ang input conditions, output ang kaukulang electron density”, at bawasan ang computational complexity mula sa O(N³) patungo sa O(N log N).
Ilalagay muli ang modelo sa orihinal na iteratibong loop, at ang iba pang mga hakbang ay magpapatuloy nang parang karaniwan.
https://x.com/AnimaAnandkumar/status/2090125110309204371
Maaari mong maunawaan ito: ang direkta na modelong pagbibilang ay katulad ng paghingi sa LLM na magbigay ng tamang sagot sa isang mahirap na tanong nang isang hakbang lamang—mabuti para sa mga simpleng tanong, ngunit madalas mali sa mga mahirap.
Ang Kohn-Sham FNO ay katulad ng pagpapagana ng chain-of-thought sa pag-iisip ng modelo, step-by-step na pagdedebate, kung saan bawat hakbang ay maaaring mag-self-check; kung may mali, ang susunod na iterasyon ay mag-aayos nito.
Ang disenyo na ito ay may karagdagang benepisyo ng safety valve na hindi available sa direkta na modelong pagbibilang.
Kung ipinush ang modelo sa labas ng kanyang kakayahan, magiging divergent ang mga iterasyon, at agad na alam ng mga mananaliksik na hindi kapani-paniwala ang resulta.
Ang unang pagsubok sa eksperimento ng dislocation ng magnesium sa papel ay nagpatunay dito: kapag diretso ang pagkalkula gamit ang pangkalahatang pre-trained model, lahat ng kalkulasyon ay agad nag-diverge—ang divergence mismo ay isang alerto.
Ang direktang paghuhula ng modelo ay nagbibigay ng isang sagot, at wala kang paraan na masukat kung tama o mali ito.
Ang mga data sa pagtuturo ay ginamit lamang ang 8,504 na istruktura, isang modelo na nagtratrabaho nang sabay-sabay sa mga molecule at solid materials, na nakakapalupit sa unang limang panyo ng periodic table.
Ito ay posible dahil sa isang variant ng FNO na disenyo ng team: ang mga iba’t ibang laki ng sistema ay nagbabahagi ng iisang set ng mga filter na natutunan, at ang mga maliit na molecule at malalaking kristal ay gumagamit ng iisang modelo.
Sa paglalabas sa mga malaking molekula na gamot na hindi nakikita sa training set, ang error sa densidad ng Kohn-Sham FNO ay 2.23%, habang ang direkta na modelong pagbibilang ay 9.97%.
Mas malinaw ang pagkakaiba habang lumalaki ang molecule: nang umabot sa 45 mga mabigat na atom, tumaas ang direkta na pagkakamali hanggang 41%, samantalang ang Kohn-Sham FNO ay nasa 4% lamang.
1 GPU, 80,000 elektron
Ang koponan ay nagpatunay sa malawakang istruktura ng dislocation ng magnesium.
Noong 2019, isang pag-aaral na nangalap ng nominasyon sa ACM Gordon Bell Award ay nag-gawa ng buong DFT computation sa 6,164 na atom ng magnesium, gumamit ng higit sa 7,800 NVIDIA V100 GPU sa Summit supercomputer.
Ang pinakabagong Kohn-Sham FNO ay nakumpleto ang pagkalkula ng 8,250 mga atom at 82,500 mga valensya elektron sa isang NVIDIA B300 GPU, at lahat ay nakakonverge.
Ang nasubok na scaling index ay 1.03 (malapit sa perpektong linear), habang ang tradisyonal na paraan ay 3.37 (kubiko).
Ang 1 B300 ay hindi komparableng hardware sa 7,800 V100, ngunit ang scaling index ay hindi nakaaapekto sa hardware: isa ay halos linyar, isa ay kubiko, at mas malaki ang sistema, mas hindi maibabalik ang pagkakaiba.
Sa parehong araw ng pagpapalabas ng papel, ipinahayag ni Anandkumar ang pagtatatag ng kumpanya ng AI na physical simulation na Accelerated Understanding, na sinundan ng pag-uulat ng Reuters.
https://www.reuters.com/business/ai-founders-who-walked-away-bezos-backed-prometheus-model-universe-2026-08-25/
Ayon sa kanyang paglalarawan sa X, ang AI model na tinuturuan ng kumpanya ay nagmomodelo ng mga pisikal na pangyayari sa 4D na espasyo, na may pag-iisip na haba ng konteksto na higit sa 5 trilyon.
https://x.com/AnimaAnandkumar/status/2092236528898675014
Kasalukuyang natutunan lamang ng Kohn-Sham FNO ang isang bahagi ng proseso ng pagkalkula, at kailangan pa ng isang hakbang sa post-processing para sa kompletong pagkalkula ng enerhiya.
Ngunit ang landas ay malinaw: ang AI ay hindi nagpapalit sa pisika, kundi sa pinakamahal na hakbang ng pag-uulit sa pagkalkula ng pisika.
Ang susunod na plano ng tim ay mag补上 ang natitirang mga bahagi, kung kaya'y maaaring iwasan ang pagproseso pagkatapos. Masaya ang kinabukasan.
Picto ng mga tagapagtatag ng tim
Mga sanggunian: https://tensorlab.cms.caltech.edu/users/anima/ks_fno.html
Nakukuha ang artikulong ito mula sa WeChat public account na “Xinzhiyuan”, may-akda: ASI Revelation; editor: Marco