O tempo necessário para calcular uma vez o comportamento quântico de 100 elétrons por força bruta excede a idade do universo.
Uma molécula de medicamento pode ter milhares de elétrons; um material de bateria tem ainda mais. Simulá-los é uma necessidade fundamental para o desenvolvimento de medicamentos, baterias e chips.
A equipe de Anima Anandkumar do Caltech publicou um artigo em 24 de agosto, reduzindo a complexidade desse tipo de cálculo de cúbica para quase linear usando um modelo de IA.
https://x.com/AnimaAnandkumar/status/2092031815448248594
O efeito é bastante impressionante: uma simulação de defeito metálico com 82.500 elétrons foi concluída em uma única GPU, enquanto em 2019 esse mesmo cálculo exigia cerca de 7.800 GPUs.
Bottleneck dormant for 60 years
O método de cálculo mais utilizado na área de química quântica é a teoria do funcional da densidade (DFT), uma teoria de nível Nobel, essencial para triagem de fármacos, design de catalisadores e desenvolvimento de materiais para baterias.
O problema é que é muito lento: à medida que o sistema aumenta, a carga computacional cresce cúbica — ao dobrar o número de elétrons em 10 vezes, a carga computacional aumenta 1000 vezes.
Durante 60 anos, os físicos têm procurado maneiras de acelerá-lo, mas sem avanços significativos.
A IA tentou duas abordagens.
Uma abordagem é fazer o modelo prever diretamente o resultado final, em um único passo.
Funciona bem dentro da distribuição de treinamento, mas tem muito mau desempenho em extrapolação: assim que o numerador excede qualquer valor visto no conjunto de treinamento, o erro se descontrola.
Estudo empírico mostra que, ao extrapolar de pequenas moléculas para moléculas farmacêuticas, o erro dos modelos de previsão direta aumenta de menos de 1% para cerca de 10%, chegando a até 41%.
Outra abordagem segue o caminho tradicional dos físicos, fazendo com que a IA aprenda um mapeamento inverso.
Este caminho é matematicamente instável; nos experimentos de controle do artigo, todos os cálculos divergiram após algumas iterações, falhando completamente.
Iterar como uma cadeia de pensamento, em vez de adivinhar a resposta de uma só vez
Este artigo mudou de direção.
O processo de cálculo do DFT é um processo iterativo repetitivo: em cada etapa, são fornecidas um conjunto de condições de entrada, calcula-se a densidade eletrônica e, em seguida, usa-se essa densidade para atualizar as condições de entrada, repetindo-se o ciclo até que os resultados se estabilizem.
Os métodos tradicionais ficam presos em cada iteração, exigindo uma solução de complexidade cúbica.
A abordagem da equipe de Anandkumar é substituir este passo com IA.
Treinar um operador neural de Fourier (FNO) para aprender o mapeamento direto de “dadas condições de entrada, produzir a densidade eletrônica correspondente”, reduzindo a complexidade computacional de O(N³) para O(N log N).
Then embed the model back into the original iteration loop, and proceed with the other steps as usual.
https://x.com/AnimaAnandkumar/status/2090125110309204371
Você pode entender assim: o modelo de previsão direta equivale a pedir ao LLM que dê a resposta final de uma vez para um problema difícil; funciona bem para perguntas simples, mas容易 errar em problemas complexos.
O FNO de Kohn-Sham equivale a permitir que o modelo utilize uma cadeia de raciocínio durante a inferência, realizando passos sequenciais, onde cada etapa pode se autoverificar; se houver erro, as iterações subsequentes o corrigirão.
Este design também traz uma vantagem que o modelo de previsão direta não possui: uma válvula de segurança.
Se o modelo for levado além de sua capacidade, as iterações divergirão, e os pesquisadores saberão imediatamente que os resultados não são confiáveis.
A primeira tentativa de experimentos de discordâncias de magnésio no artigo confirmou isso: ao calcular diretamente com modelos pré-treinados gerais, todos os cálculos imediatamente divergiram — a divergência em si é um alerta.
O modelo de previsão direta fornece uma resposta, e você não pode determinar se está correta ou incorreta.
Os dados de treinamento utilizaram apenas 8.504 estruturas, com um único modelo processando moléculas e materiais sólidos, cobrindo os cinco primeiros períodos da tabela periódica.
Isso é possível graças a uma variante de FNO invariante ao domínio projetada pela equipe: sistemas de diferentes tamanhos compartilham o mesmo conjunto de filtros aprendidos, utilizando o mesmo modelo para moléculas pequenas e cristais volumosos.
Ao extrapolar para macromoléculas farmacêuticas não vistas no conjunto de treinamento, o erro de densidade do Kohn-Sham FNO é de 2,23%, enquanto o modelo de previsão direta é de 9,97%.
Quanto maior a molécula, maior a diferença: aos 45 átomos pesados, o erro de previsão direta atinge 41%, enquanto o Kohn-Sham FNO apresenta apenas 4%.
1 unidade de GPU, 80 mil elétrons
A equipe realizou uma validação em larga escala da estrutura de discordâncias do magnésio.
Em 2019, um estudo nomeado para o Prêmio Gordon Bell da ACM realizou cálculos DFT completos para 6.164 átomos de magnésio, utilizando cerca de 7.800 GPUs NVIDIA V100 no supercomputador Summit.
O mais recente Kohn-Sham FNO realizou o cálculo de 8.250 átomos e 82.500 elétrons de valência em uma única GPU NVIDIA B300, com total convergência.
O índice de escalabilidade medido é de 1,03 (próximo à linearidade perfeita), enquanto o método tradicional é de 3,37 (cúbico).
1 unidade B300 não é uma comparação de hardware equivalente a 7.800 unidades V100, mas o índice de escala não é afetado pelo hardware: um é quase linear, o outro é cúbico — quanto maior o sistema, maior a irreversibilidade da diferença.
No mesmo dia em que o artigo foi publicado, Anandkumar anunciou a fundação da empresa de simulação física de IA Accelerated Understanding, que foi posteriormente relatada pela Reuters.
https://www.reuters.com/business/ai-founders-who-walked-away-bezos-backed-prometheus-model-universe-2026-08-25/
Segundo ela apresentou no X, o modelo de IA treinado pela empresa simula fenômenos físicos em um espaço 4D com um comprimento de contexto de raciocínio superior a 5 trilhões.
https://x.com/AnimaAnandkumar/status/2092236528898675014
Atualmente, o Kohn-Sham FNO aprendeu apenas uma etapa do fluxo de cálculo; o cálculo completo da energia ainda requer um pós-processamento.
Mas o caminho já está claro: a IA não substitui a física, mas sim o passo mais custoso nos cálculos físicos — a operação repetitiva.
A próxima etapa da equipe é completar os componentes restantes, o que eliminará a necessidade de processamento posterior. O futuro é promissor.
Foto do fundador da equipe
Referência: https://tensorlab.cms.caltech.edu/users/anima/ks_fno.html
Este artigo é do canal oficial do WeChat "Nova Inteligência", autor: Apocalipse da ASI; editor: Marco