Caltech AI Pecahkan Hambatan Kimia Kuantum Selama 60 Tahun, 1 GPU Menggantikan 7800

Masa yang diperlukan untuk mengira sekali perilaku kuantum 100 elektron dengan kaedah kekerasan melebihi usia alam semesta.

Satu molekul ubat boleh mempunyai ribuan elektron, dan bahan bateri pula lebih banyak lagi. Simulasi mereka adalah keperluan asas dalam pembangunan ubat, bateri, dan cip.

Pasukan Anima Anandkumar dari Institut Teknologi California telah menerbitkan sebuah kertas kerja pada 24 Ogos, mengurangkan kerumitan pengiraan jenis ini daripada kuasa tiga kepada hampir linear menggunakan satu model AI.

https://x.com/AnimaAnandkumar/status/2092031815448248594

Kesan yang sangat mengesankan: simulasi cacat logam dengan 82,500 elektron telah diselesaikan menggunakan satu GPU tunggal, manakala pada tahun 2019, pengiraan sejenis memerlukan sekitar 7,800 GPU.

Kaedah pengiraan yang paling sering digunakan dalam bidang kimia kuantum ialah teori fungsional ketumpatan (DFT), teori bernilai anugerah Nobel, yang tidak dapat dipisahkan daripada penapisan ubat, rekabentuk katalis, dan pembangunan bahan bateri.

Masalahnya ialah terlalu perlahan: semakin besar sistem, jumlah pengiraan meningkat secara kubik—bilangan elektron meningkat 10 kali, jumlah pengiraan meningkat 1000 kali.

Selama 60 tahun, ahli fizik telah mencari cara untuk mempercepatkannya, tetapi tiada terobosan nyata.

AI telah mencuba dua pendekatan.

Satu pendekatan adalah membiarkan model secara langsung meramalkan hasil akhir, sekali jalan.

Prestasi dalam distribusi latihan baik, tetapi kemampuan pengeluaran sangat lemah: apabila nombor molekul melebihi yang pernah dilihat dalam set latihan, ralat menjadi tidak terkawal.

Ujian kertas menunjukkan bahawa ralat model ramalan terus meningkat dari kurang daripada 1% kepada sekitar 10%, sehingga mencapai 41%, apabila diextrapolasi dari molekul kecil kepada molekul perubatan.

Pendekatan lain mengikuti jalan lama ahli fizik, membiarkan AI belajar pemetaan songsang.

Jalan ini secara matematik tidak stabil; dalam eksperimen pembandingan kertas itu, semua pengiraan bercerai selepas beberapa lelaran, gagal seluruhnya.

Kertas ini telah mengubah arahnya.

Proses pengiraan DFT adalah proses berulang: setiap pusingan memberikan satu set syarat masukan, mengira ketumpatan elektron, kemudian memperbaharui syarat masukan menggunakan ketumpatan tersebut, dan mengulangi proses ini sehingga hasilnya stabil.

Kaedah tradisional terhenti pada setiap lelaran kerana memerlukan penyelesaian yang sangat berat pengiraannya, langkah ini bersifat kubik.

Pendekatan pasukan Anandkumar adalah: menggantikan langkah ini dengan AI.

Latih sebuah operator saraf Fourier (FNO) untuk mempelajari pemetaan maju «diberikan syarat masukan, keluarkan kepadatan elektron yang sepadan», mengurangkan kerumitan pengiraan dari O(N³) kepada O(N log N).

Kemudian masukkan semula model ke dalam kitaran iterasi asal, dan langkah-langkah lain berterusan seperti biasa.

https://x.com/AnimaAnandkumar/status/2090125110309204371

Anda boleh memahaminya seperti ini: Model ramalan langsung sama dengan meminta LLM memberikan jawapan akhir segera kepada satu soalan sukar; soalan mudah tidak masalah, tetapi soalan sukar mudah salah.

Kohn-Sham FNO sama seperti memberikan model rantai pemikiran semasa inferens, menarik kesimpulan langkah demi langkah, di mana setiap langkah boleh disemak sendiri, dan jika terjadi kesilapan, iterasi seterusnya akan membetulkannya.

Reka bentuk ini juga membawa kelebihan sendiri berbanding model ramalan langsung: katup keselamatan.

Jika model didorong melampaui kemampuannya, iterasi akan bercabang, dan penyelidik segera mengetahui bahawa hasilnya tidak boleh dipercayai.

Percubaan pertama eksperimen dislokasi magnesium dalam kertas ini membuktikan perkara ini: apabila model pra-dilatih umum digunakan secara langsung, semua pengiraan segera bercerai—perceraian itu sendiri merupakan amaran.

Model ramalan langsung memberikan satu jawapan, dan anda tidak dapat menentukan sama ada ia betul atau salah.

Data latihan hanya menggunakan 8504 struktur, dengan satu model yang menangani molekul dan bahan pepejal, mencakup lima baris pertama jadual berkala.

Ini dimungkinkan berkat versi FNO tanpa domain yang direka oleh pasukan: sistem dengan saiz berbeza berkongsi set penapis yang dipelajari yang sama, dengan molekul kecil dan krystal besar menggunakan model yang sama.

Semasa dijulatkan kepada molekul besar peringkat ubat yang tidak pernah dilihat dalam set latihan, ralat ketumpatan Kohn-Sham FNO ialah 2.23%, manakala model ramalan terus ialah 9.97%.

Semakin besar molekul, semakin jelas perbezaannya: pada 45 atom berat, ralat ramalan terus meningkat kepada 41%, manakala Kohn-Sham FNO hanya 4%.

Pasukan telah melakukan pengesahan skala besar terhadap struktur dislokasi magnesium.

Pada tahun 2019, sebuah penyelidikan yang dinominasikan untuk Anugerah Gordon Bell ACM melakukan pengiraan DFT penuh terhadap 6,164 atom magnesium, menggunakan sekitar 7,800 GPU NVIDIA V100 di superkomputer Summit.

Manakala Kohn-Sham FNO terkini telah menyelesaikan pengiraan untuk 8250 atom dan 82500 elektron valens pada satu GPU NVIDIA B300, semuanya telah menumpu.

Ujian sebenar menunjukkan indeks penskalaan 1.03 (hampir linear sempurna), manakala kaedah tradisional ialah 3.37 (kubik).

1 unit B300 bukan perbandingan setara peranti keras dengan 7800 unit V100, tetapi indeks penskalaan tidak dipengaruhi oleh peranti keras: satu hampir linear, satu kubik, semakin besar sistem, semakin tak boleh dipulihkan jurangnya.

Pada hari yang sama dengan penerbitan kertas kerja, Anandkumar mengumumkan pendirian syarikat simulasi fizik 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 pengenalan di X-nya, model AI yang dilatih oleh syarikat itu mensimulasikan fenomena fizikal dalam ruang 4D dengan panjang konteks penalaran melebihi 5 trilion.

https://x.com/AnimaAnandkumar/status/2092236528898675014

Sekarang, Kohn-Sham FNO hanya belajar satu peringkat dalam proses pengiraan; pengiraan tenaga yang lengkap masih memerlukan satu langkah pemprosesan akhir.

Tetapi jalan sudah jelas: AI bukan menggantikan fizik, tetapi langkah pengiraan fizik yang paling mahal dalam pengulangan.

Rancangan seterusnya pasukan ialah untuk melengkapkan bahagian yang tinggal, di mana proses pasca-pemprosesan juga boleh dihapuskan. Masa depan cerah.

Fotografi pendiri pasukan

Rujukan: https://tensorlab.cms.caltech.edu/users/anima/ks_fno.html

Artikel ini berasal daripada akaun微信公众号 "Sinzhiyuan", penulis: ASI Revelation; penyunting: Marco