Caltech AI преодолевает 60-летний барьер в квантовой химии: 1 GPU заменяет 7800

Время, необходимое для вычисления квантового поведения 100 электронов методом грубой силы, превышает возраст Вселенной.

Молекула лекарственного препарата может содержать тысячи электронов, а материал для батареи — еще больше. Моделирование их является фундаментальной потребностью в разработке лекарств, батарей и чипов.

Команда Анимы Анандкумар из Калифорнийского технологического института 24 августа опубликовала статью, в которой с помощью модели ИИ снизила сложность таких вычислений с кубической до почти линейной.

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

Эффект впечатляет: симуляция металлического дефекта с 82 500 электронами была выполнена на одном GPU, тогда как в 2019 году для аналогичных вычислений требовалось около 7800 GPU.

Наиболее часто используемым методом в квантовой химии является теория функционала плотности (DFT) — теория уровня Нобелевской премии, без которой невозможно проведение скрининга лекарств, проектирование катализаторов и разработка материалов для аккумуляторов.

Проблема в том, что слишком медленно: при увеличении системы объем вычислений растет кубически — при увеличении числа электронов в 10 раз объем вычислений возрастает в 1000 раз.

В течение 60 лет физики искали способы ускорить его, но без существенных прорывов.

ИИ пробовал два подхода.

Один из подходов — заставить модель напрямую предсказать итоговый результат за один шаг.

Хорошо работает внутри распределения обучения, но плохо экстраполирует: как только числитель превышает значения, встречавшиеся в обучающем наборе, ошибка выходит из-под контроля.

Экспериментальные данные показывают, что при экстраполяции от малых молекул к лекарственным молекулам ошибка прямых предиктивных моделей возрастает с менее чем 1% до примерно 10%, достигая максимума 41%.

Другой подход следует старому пути физиков, заставляя ИИ изучать обратное отображение.

Этот подход математически неустойчив: в контрольных экспериментах статьи все вычисления расходились через несколько итераций, полностью провалившись.

Эта статья изменила направление.

Процесс расчета DFT представляет собой итеративный процесс: на каждом шаге задается набор входных условий, вычисляется электронная плотность, а затем плотность используется для обновления входных условий, и цикл повторяется до достижения стабильного результата.

Традиционные методы застревают на каждом цикле итерации, требуя выполнения вычислительно затратного решения, которое имеет кубическую сложность.

Команда Анакумара заменяет этот шаг с помощью ИИ.

Обучите оператор Фурье-нейронной сети (FNO), чтобы он научился прямому отображению «по заданным входным условиям выводить соответствующую электронную плотность», снизив вычислительную сложность с O(N³) до O(N log N).

Затем вставьте модель обратно в исходный итерационный цикл, остальные шаги оставьте без изменений.

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

Можно понять так: прямая модель предсказания аналогична тому, чтобы попросить LLM сразу дать окончательный ответ на сложную задачу — с простыми задачами всё в порядке, но с трудными легко ошибиться.

Kohn-Sham FNO эквивалентен цепочке рассуждений модели при выводе, пошаговому выводу, где каждый шаг может самоконтролироваться, а ошибки исправляются на последующих итерациях.

Этот дизайн также обладает преимуществом, которого нет у прямой прогнозной модели: предохранительным клапаном.

Если модель была выведена за пределы своих возможностей, итерации расходятся, и исследователи сразу понимают, что результаты недостоверны.

Первая попытка эксперимента с дислокациями магния в статье подтвердила это: при прямом использовании универсальной предварительно обученной модели все вычисления немедленно расходились — расхождение само по себе является сигналом тревоги.

Прямая модель прогнозирования дает ответ, но вы не можете определить, правильный он или нет.

Обучающие данные включали только 8504 структуры; одна модель одновременно обрабатывает молекулы и твердые материалы, охватывая первые пять строк периодической таблицы.

Это стало возможным благодаря варианту FNO, разработанному командой, который не зависит от домена: одна и та же совокупность обученных фильтров используется для систем разного размера, а одна и та же модель применяется как для малых молекул, так и для крупных кристаллов.

При экстраполяции на макромолекулы лекарственного класса, не встречавшиеся в обучающем наборе, ошибка плотности Kohn-Sham FNO составляет 2,23%, а прямая модель прогнозирования — 9,97%.

Чем больше молекула, тем заметнее разница: при 45 тяжелых атомах ошибка прямого прогноза достигает 41%, а у Kohn-Sham FNO — всего 4%.

The team conducted large-scale validation on the dislocation structure of magnesium.

В 2019 году исследование, номинированное на премию ACM Гордона Белла, провело полные DFT-расчеты для 6164 атомов магния, задействовав около 7800 GPU NVIDIA V100 на суперкомпьютере Summit.

Последняя версия Kohn-Sham FNO выполнила расчет для 8250 атомов и 82500 валентных электронов на одном GPU NVIDIA B300, полностью сходясь.

Фактически измеренный коэффициент масштабирования составляет 1,03 (близко к идеальной линейности), традиционный метод — 3,37 (кубическая зависимость).

1 блок B300 и 7800 блоков V100 — это не сравнение по аппаратному обеспечению, но масштабирующий индекс не зависит от оборудования: один близок к линейному, другой — к кубическому, и чем больше система, тем необратимее разница.

В тот же день, когда была опубликована статья, Анандкумар объявила о создании компании по искусственному интеллекту и физическому моделированию Accelerated Understanding, о чем затем сообщило агентство Рейтер.

https://www.reuters.com/business/ai-founders-who-walked-away-bezos-backed-prometheus-model-universe-2026-08-25/

По ее информации на X, обученная компанией модель ИИ моделирует физические явления в 4D-пространстве и обрабатывает контекст длиной более 5 триллионов токенов.

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

На данный момент Kohn-Sham FNO обучен только одному этапу вычислительного процесса; для полного расчета энергии требуется еще один этап постобработки.

Но путь уже ясен: ИИ заменяет не физику, а самую дорогостоящую стадию повторяющихся вычислений в физических расчетах.

Следующий шаг команды — завершить оставшиеся этапы, после чего обработка после транзакций станет ненужной. Будущее выглядит многообещающе.

Фото основателей команды

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

Эта статья взята из официального аккаунта WeChat «Новознание», автор: АСИ, Откровение; редактор: Марко