เวลาที่ใช้ในการคำนวณด้วยวิธีแบบแรงดิบเพื่อศึกษาพฤติกรรมควอนตัมของอิเล็กตรอน 100 ตัว นั้นเกินกว่าอายุของจักรวาล
โมเลกุลของยาหนึ่งโมเลกุลอาจมีอิเล็กตรอนนับพันตัว วัสดุแบตเตอรี่มีมากกว่านั้นอีก การจำลองพวกมันเป็นความต้องการพื้นฐานในการวิจัยและพัฒนายา แบตเตอรี่ และชิป
ทีมของ Anima Anandkumar จากสถาบันเทคโนโลยีแคลิฟอร์เนีย ได้เผยแพร่บทความวิจัยเมื่อวันที่ 24 สิงหาคม โดยใช้โมเดล AI ลดความซับซ้อนของการคำนวณประเภทนี้จากระดับลูกบาศก์ให้ใกล้เคียงเชิงเส้น
https://x.com/AnimaAnandkumar/status/2092031815448248594
ผลลัพธ์น่าตื่นตะลึง: จำลองข้อบกพร่องของโลหะที่มีอิเล็กตรอน 82,500 ตัวบน GPU เพียงหนึ่งตัว ในปี 2019 การคำนวณประเภทเดียวกันต้องใช้ GPU ประมาณ 7,800 ตัว
อุปสรรคที่อยู่มานาน 60 ปี
วิธีการคำนวณที่ใช้กันมากที่สุดในสาขาเคมีควอนตัมคือทฤษฎีฟังก์ชันความหนาแน่น (DFT) ซึ่งเป็นทฤษฎีระดับรางวัลโนเบล และไม่สามารถขาดได้ในการคัดกรองยา การออกแบบตัวเร่งปฏิกิริยา และการวิจัยวัสดุสำหรับแบตเตอรี่
ปัญหาคือช้าเกินไป: เมื่อระบบใหญ่ขึ้นเล็กน้อย ปริมาณการคำนวณจะเพิ่มขึ้นเป็นกำลังสาม—จำนวนอิเล็กตรอนเพิ่มขึ้น 10 เท่า ปริมาณการคำนวณจะเพิ่มขึ้น 1,000 เท่า
ในช่วง 60 ปีที่ผ่านมา นักฟิสิกส์ได้ค้นหาวิธีเร่งความเร็วให้มัน แต่ยังไม่มีความก้าวหน้าที่สำคัญ
AI ได้ลองใช้แนวคิดสองแนวทาง
หนึ่งแนวทางคือให้โมเดลทำนายผลลัพธ์สุดท้ายโดยตรงในขั้นตอนเดียว
ประสิทธิภาพดีในชุดข้อมูลที่ฝึก แต่ความสามารถในการคาดการณ์ข้อมูลภายนอกต่ำมาก: เมื่อตัวเศษมากกว่าค่าที่เคยพบในชุดข้อมูลการฝึก ข้อผิดพลาดจะควบคุมไม่ได้
การทดลองทางวิชาการแสดงให้เห็นว่า เมื่อขยายจากโมเลกุลขนาดเล็กไปยังโมเลกุลระดับยา ข้อผิดพลาดของแบบจำลองการพยากรณ์โดยตรงจะเพิ่มขึ้นจากน้อยกว่า 1% เป็นประมาณ 10% สูงสุดถึง 41%
อีกแนวทางหนึ่งคือใช้วิธีเดิมของนักฟิสิกส์ ให้ AI เรียนรู้การแมปย้อนกลับ
เส้นทางนี้ไม่มั่นคงทางคณิตศาสตร์ การทดลองเปรียบเทียบในเอกสารวิจัยแสดงว่า การคำนวณทั้งหมดแยกออกหลังจากผ่านการวนซ้ำไม่กี่ครั้ง ล้มเหลวทั้งหมด
ดำเนินการแบบวนซ้ำเหมือนห่วงโซ่ความคิด แทนที่จะเดาคำตอบในขั้นตอนเดียว
กระดาษวิจัยนี้เปลี่ยนทิศทาง
ขั้นตอนการคำนวณ DFT เป็นกระบวนการที่ทำซ้ำหลายรอบ: ในแต่ละรอบจะกำหนดชุดเงื่อนไขนำเข้า คำนวณความหนาแน่นของอิเล็กตรอน แล้วใช้ความหนาแน่นนั้นอัปเดตเงื่อนไขนำเข้า ทำซ้ำจนกว่าผลลัพธ์จะมีความเสถียร
วิธีแบบดั้งเดิมติดขัดที่ขั้นตอนการแก้ปัญหาที่ต้องใช้การคำนวณหนักหน่วงในแต่ละรอบของการวนซ้ำ ซึ่งขั้นตอนนี้มีความซับซ้อนแบบลูกบาศก์
ทีมของอานันด์กุมารดำเนินการโดยใช้ AI เข้ามาแทนขั้นตอนนี้
ฝึกฟังก์ชันนิวรัลโฟรีเยร์ (FNO) เพื่อเรียนรู้การแมปแบบเชิงบวกที่ว่า “เมื่อให้เงื่อนไขนำเข้า ให้ส่งออกความหนาแน่นของอิเล็กตรอนที่สอดคล้องกัน” โดยลดความซับซ้อนในการคำนวณจาก O(N³) เป็น O(N log N)
จากนั้นนำโมเดลกลับไปใส่ไว้ในวัฏจักรการวนซ้ำเดิม ขั้นตอนอื่นๆ ทำเหมือนเดิม
https://x.com/AnimaAnandkumar/status/2090125110309204371
สามารถเข้าใจได้ว่า แบบจำลองการพยากรณ์แบบตรงไปตรงมา คือการให้ LLM ตอบคำตอบสุดท้ายของปัญหาที่ยากในขั้นตอนเดียว ซึ่งสำหรับคำถามง่ายก็ไม่มีปัญหา แต่สำหรับคำถามยากอาจผิดพลาดได้ง่าย
Kohn-Sham FNO ทำหน้าที่เหมือนโซ่ความคิดของโมเดลในการให้เหตุผล โดยทำการวิเคราะห์ทีละขั้นตอน แต่ละขั้นตอนสามารถตรวจสอบตนเองได้ และหากผิดพลาด การวนซ้ำในขั้นตอนถัดไปจะช่วยดึงกลับมา
การออกแบบนี้ยังมีข้อได้เปรียบอีกประการหนึ่งที่โมเดลการพยากรณ์โดยตรงไม่มี: ระบบความปลอดภัย
หากโมเดลถูกผลักให้เกินขีดจำกัดความสามารถ การวนซ้ำจะแยกออก และนักวิจัยจะรู้ทันทีว่าผลลัพธ์ไม่น่าเชื่อถือ
การทดลองครั้งแรกเกี่ยวกับข้อบกพร่องของแมกนีเซียมในเอกสารวิจัยได้ยืนยันจุดนี้แล้ว: เมื่อใช้โมเดลการเรียนรู้ล่วงหน้าทั่วไปคำนวณโดยตรง ทุกการคำนวณจะแยกตัวทันที—การแยกตัวนั้นเองคือสัญญาณเตือน
แบบจำลองการพยากรณ์โดยตรงให้คำตอบหนึ่งคำตอบ คุณไม่สามารถตัดสินได้ว่ามันถูกหรือผิด
ข้อมูลการฝึกใช้โครงสร้างเพียง 8,504 โครงสร้าง โมเดลหนึ่งตัวจัดการทั้งโมเลกุลและวัสดุของแข็ง ครอบคลุมธาตุในห้าแถวแรกของตารางธาตุ
สิ่งนี้เป็นผลมาจากการออกแบบของทีมที่ใช้รูปแบบ FNO ที่ไม่ขึ้นกับโดเมน: ระบบขนาดต่างๆ ใช้ตัวกรองที่เรียนรู้ร่วมกัน โมเดลเดียวกันใช้สำหรับโมเลกุลเล็กและผลึกขนาดใหญ่
เมื่อใช้กับโมเลกุลขนาดใหญ่ระดับยาที่ไม่เคยปรากฏในชุดข้อมูลการฝึกสอน ข้อผิดพลาดของความหนาแน่นของ Kohn-Sham FNO อยู่ที่ 2.23% ขณะที่แบบจำลองการพยากรณ์โดยตรงอยู่ที่ 9.97%
ยิ่งโมเลกุลมีขนาดใหญ่ ช่องว่างยิ่งชัดเจน: เมื่อถึง 45 อะตอมหนัก ข้อผิดพลาดของการพยากรณ์โดยตรงพุ่งขึ้นเป็น 41% ในขณะที่ Kohn-Sham FNO มีเพียง 4%
1 บล็อก GPU, 80,000 อิเล็กตรอน
ทีมงานได้ดำเนินการยืนยันขนาดใหญ่เกี่ยวกับโครงสร้างข้อบกพร่องของแมกนีเซียม
ในปี 2019 การวิจัยที่ได้รับการเสนอชื่อเข้าชิงรางวัล ACM Gordon Bell ได้ดำเนินการคำนวณ DFT แบบเต็มรูปแบบสำหรับอะตอมแมกนีเซียม 6,164 อะตอม โดยใช้ GPU NVIDIA V100 ประมาณ 7,800 ตัวบนซูเปอร์คอมพิวเตอร์ Summit
ในขณะเดียวกัน Kohn-Sham FNO รุ่นล่าสุดได้ดำเนินการคำนวณสำหรับ 8,250 อะตอมและ 82,500 อิเล็กตรอนวาเลนซ์บน GPU NVIDIA B300 เพียงหนึ่งหน่วย และสามารถรวมตัวได้ทั้งหมด
การวัดจริงแสดงดัชนีการซูมที่ 1.03 (ใกล้เคียงกับเชิงเส้นสมบูรณ์) วิธีแบบดั้งเดิมอยู่ที่ 3.37 (ระดับลูกบาศก์)
การเปรียบเทียบ B300 1 ชิ้น กับ V100 7800 ชิ้น ไม่ใช่การเปรียบเทียบฮาร์ดแวร์ที่เทียบเท่ากัน แต่ดัชนีการขยายตัวไม่ได้รับผลกระทบจากฮาร์ดแวร์: หนึ่งเป็นเชิงเส้นใกล้เคียง อีกหนึ่งเป็นกำลังสาม ยิ่งระบบใหญ่เท่าใด ช่องว่างก็ยิ่งไม่สามารถย้อนกลับได้
ในวันเดียวกับที่เผยแพร่เอกสารวิจัย อานันด์กุมาร์ประกาศก่อตั้งบริษัทจำลองฟิสิกส์ด้วยปัญญาประดิษฐ์ชื่อ Accelerated Understanding ซึ่งต่อมา Reuters ได้รายงานข่าวนี้
https://www.reuters.com/business/ai-founders-who-walked-away-bezos-backed-prometheus-model-universe-2026-08-25/
ตามที่เธอระบุไว้บน X โมเดล AI ที่บริษัทฝึกฝนสามารถจำลองปรากฏการณ์ทางฟิสิกส์ในพื้นที่ 4 มิติ โดยมีความยาวบริบทในการให้เหตุผลเกิน 5 ล้านล้าน
https://x.com/AnimaAnandkumar/status/2092236528898675014
ปัจจุบัน Kohn-Sham FNO ได้เรียนรู้เพียงขั้นตอนเดียวในกระบวนการคำนวณ การคำนวณพลังงานที่สมบูรณ์ยังต้องการขั้นตอนการประมวลผลเพิ่มเติม
แต่เส้นทางนั้นชัดเจนแล้ว: AI ไม่ได้แทนที่ฟิสิกส์ แต่แทนที่ขั้นตอนการคำนวณทางฟิสิกส์ที่ใช้เงินมากที่สุดซึ่งเป็นการคำนวณซ้ำๆ
ทีมงานมีแผนจะเติมส่วนที่เหลือในขั้นตอนถัดไป ซึ่งจะช่วยตัดขั้นตอนการประมวลผลหลังเสร็จสิ้นออกไปได้ด้วย อนาคตจึงน่าจับตามอง
รูปถ่ายทีมผู้ก่อตั้ง
ข้อมูลอ้างอิง: https://tensorlab.cms.caltech.edu/users/anima/ks_fno.html
บทความนี้มาจาก微信号 “ซินจีหยวน” โดยผู้เขียน: ASI Revelation; บรรณาธิการ: มาโก