100個の電子の量子挙動を暴力的手法で計算するには、宇宙の年齢を超える時間がかかる。
一つの薬物分子は数千個の電子を含み、バッテリー材料はさらに多い。それらをシミュレーションすることは、薬物、バッテリー、チップの開発における基盤的な要請である。
カリフォルニア工科大学のAnima Anandkumarチームは、8月24日に、AIモデルを用いてこのような計算の複雑性を立方級からほぼ線形級まで削減した論文を発表しました。
https://x.com/AnimaAnandkumar/status/2092031815448248594
非常に印象的です：1枚のGPUで82,500個の電子を含む金属欠陥のシミュレーションを実行しました。2019年には、同様の計算に約7,800枚のGPUが必要でした。
60年間の壁
量子化学分野で最も広く使用される計算手法は密度汎関数理論（DFT）であり、ノーベル賞級の理論です。薬物スクリーニング、触媒設計、バッテリー材料の開発にはすべてこれが不可欠です。
問題は遅さです：システムが少し大きくなるだけで、計算量は立方的に増加します——電子数が10倍になると、計算量は1000倍になります。
60年間、物理学者たちはそれを速くする方法を探してきましたが、実質的な進展は得られませんでした。
AIは二つのアプローチを試しました。
一つの考え方として、モデルに最終結果を直接予測させ、一歩で完了させる方法があります。
訓練データ内では良好な性能を発揮するが、外挿能力は非常に低い：分子が訓練データで见过した値を超えると、誤差が制御不能になる。
論文の実証により、小分子から医薬品レベルの分子へ外挿する際、直接予測モデルの誤差は1%未満から約10%まで上昇し、最大で41%に達した。
もう一つのアプローチは、物理学者の従来の方法を踏襲し、AIに逆変換を学習させることである。
このアプローチは数学的に不安定であり、論文の対照実験では、すべての計算が数回の反復後に発散し、すべて失敗した。
答えを一歩で推測するのではなく、思考チェーンのように繰り返しイテレーションしてください。
この論文は方向を変更しました。
DFTの計算プロセスは反復的なプロセスであり、各ステップで入力条件を与え、電子密度を計算し、その密度を用いて入力条件を更新し、結果が安定するまでこのサイクルを繰り返します。
従来の方法では、各イテレーションで計算量が立方級の解を求めなければならないという課題があります。
アナンクマールチームのアプローチは、このステップをAIで置き換えることです。
フーリエ神経演算子（FNO）を訓練し、入力条件から対応する電子密度への正方向マッピングを学習させ、計算複雑性をO(N³)からO(N log N)に低下させる。
そして、モデルを元の反復ループに再挿入し、他のステップはそのまま維持します。
https://x.com/AnimaAnandkumar/status/2090125110309204371
このような理解ができます：直接予測モデルは、LLMに難問に対して一歩で最終的な答えを導かせるものであり、簡単な問題なら問題ありませんが、難しい問題では誤りが生じやすくなります。
Kohn-Sham FNOは、モデルが推論時に思考チェーンを形成し、段階的に推演して各ステップで自己検証を行い、誤りがあれば後続の反復で修正するのと同等です。
この設計には、直接予測モデルにはない利点である安全弁が備わっています。
モデルがその能力範囲を超えて推論された場合、反復が発散し、研究者はすぐに結果が信頼できないと気づく。
論文におけるマグネシウムの不整列実験の最初の試みで、この点が検証された：汎用事前学習モデルを直接使用すると、すべての計算が即座に発散した——発散そのものがアラートであった。
直接予測モデルが答えを出すが、それが正しいか間違っているかを判断することはできない。
訓練データは8504個の構造のみを使用し、1つのモデルが分子と固体材料を同時に処理し、周期表の最初の5行をカバーします。
これは、チームが設計したドメイン不変なFNOの変種によるものです。異なるサイズのシステムが同じ学習されたフィルターを共有し、小分子と大規模な結晶に同じモデルを使用します。
訓練セットに含まれていない薬物レベルの高分子に対して、Kohn-Sham FNOの密度誤差は2.23％、直接予測モデルは9.97％である。
分子が大きくなるほど差が明確になる：45個の重原子に達すると、直接予測の誤差は41％に跳ね上がるのに対し、Kohn-Sham FNOは4％にとどまる。
1枚のGPU、8万枚の電子
チームはマグネシウムの不整列構造について大規模な検証を行った。
2019年、ACMゴードンベラー賞にノミネートされた研究では、Summitスーパーコンピュータ上の約7800枚のNVIDIA V100 GPUを用いて、6164個のマグネシウム原子に対する完全DFT計算を実施した。
最新のKohn-Sham FNOは、1枚のNVIDIA B300 GPU上で8250個の原子、82500個の価電子の計算をすべて収束させました。
実測スケーリング指数は1.03（完璧な線形に近い）、従来の方法は3.37（立方級）です。
1枚のB300と7800枚のV100はハードウェアとして同等ではないが、スケーリング指数はハードウェアに影響されない：一方はほぼ線形、他方は立方であり、システムが大きくなるほど差は不可逆的になる。
論文が公開された同じ日、AnandkumarはAI物理シミュレーション企業Accelerated Understandingの設立を発表し、ロイターはその後その報道を行った。
https://www.reuters.com/business/ai-founders-who-walked-away-bezos-backed-prometheus-model-universe-2026-08-25/
彼女がX上で説明したところによると、同社が訓練したAIモデルは4次元空間で物理現象をシミュレートし、コンテキスト長は5兆以上を推論します。
https://x.com/AnimaAnandkumar/status/2092236528898675014
現在、Kohn-Sham FNOは計算プロセスの一部のみを学習しており、完全なエネルギー計算にはさらに1つの後処理ステップが必要です。
しかし道筋はすでに明確です：AIが置き換えるのは物理そのものではなく、物理計算における最もコストのかかる反復演算のステップです。
チームの次なる計画は、残りのプロセスを補完することであり、その際には後処理も不要になります。将来が楽しみです。
チーム創設者の集合写真
参照：https://tensorlab.cms.caltech.edu/users/anima/ks_fno.html
本文は微信公众号「新智元」より、著者：ASI启示録；編集：馬可