Waktu yang dibutuhkan untuk menghitung sekali perilaku kuantum dari 100 elektron dengan metode brute force melebihi usia alam semesta.
Sebuah molekul obat bisa memiliki ribuan elektron, dan bahan baterai bahkan lebih banyak lagi. Mensimulasikannya adalah kebutuhan dasar dalam pengembangan obat, baterai, dan chip.
Tim Anima Anandkumar dari California Institute of Technology menerbitkan sebuah makalah pada 24 Agustus, menggunakan model AI untuk mengurangi kompleksitas perhitungan semacam ini dari kubik menjadi hampir linier.
https://x.com/AnimaAnandkumar/status/2092031815448248594
Efeknya sangat mengesankan: simulasi cacat logam dengan 82.500 elektron berhasil diselesaikan hanya dengan satu GPU, sedangkan pada tahun 2019, perhitungan sejenis memerlukan sekitar 7.800 GPU.
Bottleneck yang tertidur selama 60 tahun
Metode komputasi paling umum digunakan dalam bidang kimia kuantum adalah teori fungsional densitas (DFT), teori tingkat Nobel yang tak terpisahkan dari penyaringan obat, desain katalis, dan pengembangan baterai.
Masalahnya terlalu lambat: setiap kali sistem sedikit membesar, jumlah perhitungan meningkat secara kubik—jumlah elektron berlipat 10 kali, jumlah perhitungan naik 1000 kali.
Selama 60 tahun, para fisikawan telah mencari cara untuk mempercepatnya, tetapi tidak ada terobosan nyata.
AI telah mencoba dua pendekatan.
Salah satu pendekatan adalah membiarkan model langsung memprediksi hasil akhir, sekaligus.
Performa baik dalam distribusi pelatihan, tetapi kemampuan ekstrapolasi sangat buruk: ketika molekul melebihi yang pernah dilihat dalam dataset pelatihan, kesalahan menjadi tak terkendali.
Uji coba penelitian menunjukkan bahwa saat memperluas dari molekul kecil ke molekul obat, kesalahan model prediksi langsung meningkat dari kurang dari 1% menjadi sekitar 10%, tertinggi mencapai 41%.
Pendekatan lain mengikuti jejak para fisikawan, membiarkan AI mempelajari pemetaan terbalik.
Jalan ini secara matematis tidak stabil; dalam eksperimen pembanding makalah, semua perhitungan divergen setelah beberapa iterasi, gagal seluruhnya.
Iterasi seperti rantai pemikiran, bukan menebak jawaban sekaligus
Paper ini mengubah arahnya.
Proses perhitungan DFT adalah proses iteratif berulang: setiap siklus memberikan sekelompok kondisi masukan, menghitung kerapatan elektron, lalu memperbarui kondisi masukan menggunakan kerapatan tersebut, dan mengulangi siklus ini hingga hasil stabil.
Metode tradisional terhambat oleh perhitungan besar yang harus dilakukan pada setiap iterasi, langkah ini bersifat kubik.
Tim Anandkumar melakukan pendekatan: mengganti langkah ini dengan AI.
Latih Fourier Neural Operator (FNO) untuk mempelajari pemetaan maju «diberikan kondisi masukan, keluarkan kepadatan elektron yang sesuai», mengurangi kompleksitas komputasi dari O(N³) menjadi O(N log N).
Kemudian masukkan kembali model ke dalam siklus iterasi aslinya, dan langkah-langkah lainnya tetap sama.
https://x.com/AnimaAnandkumar/status/2090125110309204371
Anda bisa memahaminya seperti ini: model prediksi langsung setara dengan meminta LLM untuk memberikan jawaban akhir sekaligus untuk soal sulit, yang mungkin benar untuk soal sederhana tetapi rentan salah untuk soal sulit.
Kohn-Sham FNO setara dengan memberi model rantai pemikiran saat melakukan inferensi, menarik kesimpulan langkah demi langkah, di mana setiap langkah dapat memeriksa dirinya sendiri, dan jika terjadi kesalahan, iterasi berikutnya akan memperbaikinya.
Desain ini juga memiliki keunggulan tambahan berupa katup pengaman yang tidak dimiliki model prediksi langsung.
Jika model didorong melewati batas kemampuannya, iterasi akan divergen, dan peneliti segera tahu bahwa hasilnya tidak dapat dipercaya.
Percobaan pertama pada eksperimen dislokasi magnesium dalam makalah ini memverifikasi hal ini: dengan menggunakan model pra-latih umum secara langsung, semua perhitungan segera divergen—divergensi itu sendiri merupakan peringatan.
Model prediksi langsung memberikan satu jawaban, dan Anda tidak dapat menilai apakah itu benar atau salah.
Data pelatihan hanya menggunakan 8.504 struktur, dengan satu model yang menangani molekul dan bahan padat, mencakup lima baris pertama tabel periodik.
Ini dimungkinkan berkat varian FNO yang dirancang oleh tim: sistem dengan ukuran berbeda berbagi filter yang sama yang telah dipelajari, dengan molekul kecil dan kristal besar menggunakan model yang sama.
Saat diterapkan pada molekul besar obat yang tidak pernah dilihat dalam dataset pelatihan, kesalahan densitas Kohn-Sham FNO adalah 2,23%, sedangkan model prediksi langsung adalah 9,97%.
Semakin besar molekul, semakin jelas perbedaannya: pada 45 atom berat, kesalahan prediksi langsung melonjak menjadi 41%, sedangkan Kohn-Sham FNO hanya 4%.
1 unit GPU, 80.000 elektron
Tim melakukan validasi skala besar terhadap struktur dislokasi magnesium.
Pada tahun 2019, sebuah penelitian yang dinominasikan untuk Penghargaan Gordon Bell ACM melakukan perhitungan DFT penuh terhadap 6.164 atom magnesium, memanfaatkan sekitar 7.800 GPU NVIDIA V100 di superkomputer Summit.
Sementara itu, Kohn-Sham FNO terbaru telah menyelesaikan perhitungan untuk 8.250 atom dan 82.500 elektron valensi pada satu GPU NVIDIA B300, semuanya konvergen.
Uji nyata menunjukkan indeks penskalaan sebesar 1.03 (hampir linier sempurna), sedangkan metode tradisional sebesar 3.37 (kubik).
1 unit B300 bukan perbandingan setara perangkat keras dengan 7800 unit V100, tetapi indeks penskalaan tidak terpengaruh oleh perangkat keras: satu bersifat hampir linier, satu bersifat kubik, semakin besar sistemnya, semakin tak terbalik perbedaannya.
Pada hari yang sama dengan penerbitan makalah, Anandkumar mengumumkan pendirian perusahaan simulasi fisika AI, Accelerated Understanding, yang kemudian dilaporkan oleh Reuters.
https://www.reuters.com/business/ai-founders-who-walked-away-bezos-backed-prometheus-model-universe-2026-08-25/
Menurut pengenalannya di X, model AI yang dilatih perusahaan mensimulasikan fenomena fisik dalam ruang 4D dengan konteks inferensi lebih dari 5 triliun.
https://x.com/AnimaAnandkumar/status/2092236528898675014
Saat ini, Kohn-Sham FNO hanya mempelajari satu tahap dalam proses perhitungan; perhitungan energi lengkap masih memerlukan satu langkah pasca-pemrosesan.
Namun jalurnya sudah jelas: AI bukan menggantikan fisika, melainkan langkah perhitungan fisika yang paling boros biaya berulang.
Tim berencana mengisi bagian yang tersisa pada langkah selanjutnya, sehingga proses pasca-pemrosesan juga dapat dihilangkan. Masa depan sangat menjanjikan.
Foto bersama pendiri tim
Referensi: https://tensorlab.cms.caltech.edu/users/anima/ks_fno.html
Artikel ini berasal dari akun WeChat "Sinzhiyuan", penulis: ASI Revelation; editor: Marco