100 elektronun kuantum davranışını, kaba kuvvet yöntemiyle bir kez hesaplamak, evrenin yaşından daha uzun sürer.
Bir ilacın molekülü binlerce elektronu olabilir, bir pil malzemesi ise daha fazlasını içerir. Bunların simülasyonu, ilacın, pilin ve çipin geliştirilmesinin temel gereksinimidir.
California Institute of Technology Anima Anandkumar ekibi, 24 Ağustos'ta bir AI modeliyle bu tür hesaplamaların karmaşıklığını kübikten neredeyse doğrusal seviyeye indiren bir makale yayınladı.
https://x.com/AnimaAnandkumar/status/2092031815448248594
Çok etkileyici bir sonuç: 82.500 elektron içeren bir metal kusuru simülasyonu, tek bir GPU ile tamamlandı; 2019'da benzer bir hesaplama yaklaşık 7.800 GPU gerektiriyordu.
60 yıldır süren darboğaz
Kuantum kimya alanında en sık kullanılan hesaplama yöntemi, Nobel Ödüllü teori olan yoğunluk fonksiyonel teorisi (DFT)'dir ve ilacın filtrelenmesi, katalizör tasarımı ve pil malzemesi geliştirme gibi alanlarda ona ihtiyaç duyulur.
Sorun çok yavaş olmasında: Sistem biraz büyüdükçe hesaplama yükü kübik olarak artıyor—elektron sayısı 10 katına çıkarsa, hesaplama yükü 1000 katına çıkar.
60 yıldır fizikçiler, bunu hızlandırma yolları arıyor, ancak gerçek bir ilerleme kaydedemedi.
AI, iki farklı yaklaşım denedi.
Bir yaklaşım, modelin sonucu doğrudan ve tek adımda tahmin etmesidir.
Eğitim veri seti içinde iyi performans gösteriyor, ancak dışa doğru genelleme yeteneği çok zayıf: Molekül, eğitim setinde görülenlerden büyük olduğunda hata kontrolü kaybediyor.
Deneme sonuçlarına göre, küçük moleküllerden ilaç seviyesindeki moleküllere dışa vurulduğunda, doğrudan tahmin modellerinin hatası %1'in altından %10'a, en yüksek %41'e çıkmaktadır.
Bir diğer yaklaşım, fizikçilerin eski yolunu izleyerek AI'ya bir ters haritalama öğretmektir.
Bu yol matematiksel olarak kararsızdır; makalenin karşılaştırmalı deneylerinde, tüm hesaplamalar birkaç iterasyon sonra dağılıp tamamen başarısız olmuştur.
Bir cevabı tek adımda tahmin etmek yerine, düşünce zinciri gibi yinelemeli olarak ilerleyin.
Bu makale bir yön değiştirdi.
DFT hesaplama süreci, yinelemeli bir süreçtir: her adımda belirli bir giriş koşulu kümesi verilir, elektronik yoğunluk hesaplanır, ardından yoğunluk kullanılarak giriş koşulları güncellenir ve sonuç kararlı hale gelene kadar bu döngü tekrarlanır.
Geleneksel yöntem, her döngüde kübik düzeyde bir hesaplama gerektiren bir çözüm adımına takılı kalır.
Anandkumar ekibi, bu adımı AI ile değiştirdi.
Bir Fourier Nöral Operatörü (FNO) eğitin, böylece "verilen girdi koşullarına karşılık gelen elektronik yoğunluğu çıktı olarak verme" doğrusal haritasını öğrensin ve hesaplama karmaşıklığı O(N³)'den O(N log N)'ye düşürün.
Sonra modeli orijinal yineleme döngüsüne geri ekleyin, diğer adımlar aynen devam eder.
https://x.com/AnimaAnandkumar/status/2090125110309204371
Şöyle anlaşılabilir: Doğrudan tahmin modeli, LLM'ye bir zor soruya doğrudan nihai cevabı vermesini söyler; basit sorular için sorun yoktur, ancak zor sorularda hata yapma olasılığı yüksektir.
Kohn-Sham FNO, modelin çıkarım yaparken adım adım düşünmesini ve her adımda kendi kendini kontrol etmesini sağlar; hata yapılırsa sonraki yinelemeler bunu düzeltir.
Bu tasarım, doğrudan bir tahmin modelinin olmadığı bir avantaja da sahiptir: güvenlik valfi.
Model, yetenek sınırları dışına itildiğinde, iterasyonlar dağılır ve araştırmacılar hemen sonucun güvenilir olmadığını anlar.
Magnezyum dislokasyon deneylerindeki ilk deneme, bu noktayı doğruladı: genel ön eğitimli modeli doğrudan kullanmak, tüm hesaplamaların hemen dağılmasına neden oldu—dağılma kendisi bir uyarıydı.
Doğrudan bir tahmin modeli bir cevap verir, ancak bunun doğru mu yanlış mı olduğunu değerlendiremezsiniz.
Eğitim verileri yalnızca 8504 yapı kullanılarak oluşturuldu; bir model, periyodik tablonun ilk beş satırını kapsayacak şekilde moleküller ve katı malzemeleri aynı anda işliyor.
Bu, takım tarafından tasarlanan bir alan-bağımsız FNO varyantı sayesindedir: farklı boyutlardaki sistemler aynı öğrenilen filtreleri paylaşır, küçük moleküller ve büyük kristaller için aynı model kullanılır.
Kohn-Sham FNO, eğitim setinde görülmemiş ilacın büyük moleküllerine dışa doğru genelleştirildiğinde yoğunluk hatası %2,23, doğrudan tahmin modeli ise %9,97'dir.
Molekül büyüdükçe fark belirginleşir: 45 ağırlık atomunda doğrudan tahmin hatası %41'e çıkar, Kohn-Sham FNO ise %4'tür.
1 adet GPU, 80.000 elektron
Takım, magnezyumun dislokasyon yapısını büyük ölçekli olarak doğruladı.
2019 yılında, ACM Gordon Bell Ödülü adaylığı kazanan bir araştırma, 6.164 magnezyum atomu için tam DFT hesaplaması gerçekleştirmek için Summit süperbilgisayarında yaklaşık 7.800 NVIDIA V100 GPU kullandı.
En son Kohn-Sham FNO, tek bir NVIDIA B300 GPU üzerinde 8250 atom ve 82500 değer elektronu için tamamen yakınsayan bir hesaplama gerçekleştirdi.
Ölçek endeksi gerçek ölçümlerde 1,03 (hemen hemen mükemmel doğrusal), geleneksel yöntemde 3,37 (kübik).
1 adet B300 ile 7800 adet V100 donanım düzeyinde karşılaştırılamaz, ancak ölçekleme indeksi donanımdan etkilenmez: biri neredeyse doğrusal, diğeri kübik; sistem büyüdükçe fark giderek geri dönüşümsüz hale gelir.
Makale yayınlandığı gün, Anandkumar, AI fizik simülasyon şirketi Accelerated Understanding'ı kurduğunu duyurdu ve Reuters ardından haberi verdi.
https://www.reuters.com/business/ai-founders-who-walked-away-bezos-backed-prometheus-model-universe-2026-08-25/
X üzerindeki açıklamasına göre, şirketin eğittiği AI modeli, 4D uzayda fiziksel olayları simüle ediyor ve bağlam uzunluğu 5 trilyondan fazla.
https://x.com/AnimaAnandkumar/status/2092236528898675014
Şu anda Kohn-Sham FNO, hesaplama sürecinin yalnızca bir aşamasını öğrendi; tam enerji hesaplaması için bir sonraki post-processing aşaması gerekiyor.
Ancak yol zaten net: Yapay zeka, fizik yerine fizik hesaplamalarındaki en pahalı tekrarlı işlemi değiştirmektedir.
Takım, bir sonraki adım olarak kalan bölümleri tamamlayacak ve o zaman sonrası işleme gerek kalmayacak. Gelecek vadeden.
Takım kurucularının birlikte çekilmiş fotoğrafı
Kaynaklar: https://tensorlab.cms.caltech.edu/users/anima/ks_fno.html
Bu yazı, WeChat public account "Yeni Zhiyuan" tarafından yayınlanmıştır; yazar: ASI Vahiyleri; editör: Ma Kao