Caltech AI подолала 60-річний бар’єр у квантовій хімії: 1 GPU замінює 7800

Час, необхідний для одного обчислення квантової поведінки 100 електронів методом грубої сили, перевищує вік Всесвіту.

Одна молекула ліків може містити тисячі електронів, а матеріал для батареї — ще більше. Моделювання їх є фундаментальною вимогою для розробки ліків, батарей і чіпів.

Команда Ани Анакумар з Каліфорнійського технологічного інституту 24 серпня опублікувала статтю, у якій за допомогою моделі ШІ знизила складність таких обчислень з кубічної до майже лінійної.

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

Ефект дуже вражаючий: симуляція металевого дефекту з 82 500 електронами була виконана на одній GPU, тоді як у 2019 році для подібних обчислень використовувалося близько 7800 GPU.

Найпоширенішим обчислювальним методом у квантовій хімії є теорія функціонала густини (DFT) — теорія рівня Нобелівської премії, яка необхідна для відбору ліків, проектування катализаторів та розробки матеріалів для батарей.

Проблема в тому, що це занадто повільно: зі збільшенням системи обчислювальна складність зростає кубічно — якщо кількість електронів збільшується в 10 разів, обчислювальна складність зростає в 1000 разів.

Протягом 60 років фізики шукали спосіб прискорити його, але не досягли суттєвого прогресу.

AI спробував два підходи.

Одна з ідей полягає в тому, щоб дати моделі можливість безпосередньо передбачити кінцевий результат за один крок.

Добре працює в межах навчальних даних, але погано узагальнює: як тільки число перевищує ті, що зустрічалися в навчальному наборі, помилка виходить з-під контролю.

Експериментальні дані з показують, що при екстраполяції від малих молекул до лікарських молекул похибка прямих моделей прогнозування зростає з менше ніж 1% до приблизно 10%, досягаючи максимуму 41%.

Інший підхід дотримується старого шляху фізиків, навчаючи ШІ зворотному відображенням.

Цей підхід математично нестабільний: у контрольних експериментах статті всі обчислення розходяться через кілька ітерацій і повністю зазнають невдачі.

Ця стаття змінила напрямок.

Процес обчислення DFT є ітеративним: на кожному кроці задається набір вхідних умов, обчислюється електронна густина, а потім густина використовується для оновлення вхідних умов, і цикл повторюється, доки результат не стабілізується.

Традиційні методи застрягають на кожній ітерації, оскільки вимагають обчислення кубічної складності.

Команда Анандкумара замінює цей крок за допомогою ШІ.

Навчіть оператор Фур'є-нейронної мережі (FNO) визначати пряме відображення: «за заданими вхідними умовами виводити відповідну електронну густину», знизивши обчислювальну складність з O(N³) до O(N log N).

Потім вставте модель назад у початковий ітераційний цикл, а інші кроки залиште без змін.

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

Можна зрозуміти так: пряма модель передбачення еквівалентна тому, що LLM одразу дає кінцеву відповідь на складну задачу — для простих питань це працює добре, але для складних часто призводить до помилок.

Kohn-Sham FNO еквівалентний ланцюжку міркувань під час висновків моделі — поетапне міркування, де кожен крок може самоконтролюватися, а помилки на наступних ітераціях виправляються.

Цей дизайн також має перевагу, якої немає у прямій прогнозній моделі: аварійний клапан.

Якщо модель виведена за межі своїх можливостей, ітерації розходяться, і дослідники одразу розуміють, що результат недостовірний.

Перша спроба експериментів з дислокаціями магнію в статті підтвердила це: при прямому розрахунку за допомогою універсальної попередньо навченої моделі всі обчислення миттєво розходяться — розходження саме по собі є тривогою.

Пряме передбачення моделі дає відповідь, але ви не можете визначити, чи вона правильна чи ні.

Навчальні дані містили лише 8504 структури; одна модель одночасно обробляє молекули та тверді матеріали, охоплюючи перші п’ять рядків періодичної таблиці.

Це стало можливим завдяки варіанту FNO, розробленому командою, який є інваріантним до домену: різні за розміром системи використовують одну й ту саму навчену множину фільтрів, а модель однакова для малих молекул і великих кристалів.

При екстраполяції на молекули лікарських засобів, яких не було в тренувальному наборі, похибка густини Kohn-Sham FNO становить 2,23%, а прямі моделі прогнозування — 9,97%.

Чим більше молекула, тим більш вираженою є різниця: при 45 важких атомах похибка прямого прогнозування стрімко зростає до 41%, тоді як Kohn-Sham FNO — лише до 4%.

Команда провела масштабне підтвердження структури дислокацій магнію.

У 2019 році дослідження, номіноване на премію ACM Гордона Белла, виконало повні DFT-обчислення для 6164 атомів магнію, використовуючи близько 7800 GPU NVIDIA V100 на суперкомп’ютері Summit.

Найновіший Kohn-Sham FNO виконав обчислення для 8250 атомів і 82500 валентних електронів на одному NVIDIA B300 GPU, повністю збіжний.

Фактичний коефіцієнт масштабування становить 1,03 (близький до ідеальної лінійності), традиційний метод — 3,37 (кубічний).

1 блок B300 не є еквівалентом 7800 блоків V100, але показник масштабування не залежить від апаратного забезпечення: один — майже лінійний, інший — кубічний, і чим більша система, тим більше розрив стає незворотним.

У той самий день, коли було опубліковано статтю, Анандкумар оголосила про заснування компанії зі штучним інтелектом для фізичного моделювання Accelerated Understanding, про що пізніше повідомило агентство Рейтер.

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

За її описом на X, навчена компанією модель ШІ симулює фізичні явища у 4D-просторі та має довжину контексту міркувань понад 5 трильйонів.

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

Наразі Kohn-Sham FNO навчився лише одному етапу обчислювального процесу; для повного розрахунку енергії потрібен додатковий етап постобробки.

Але шлях вже ясний: ШІ замінює не фізику, а найбільш витратний етап у фізичних обчисленнях — повторювані обчислення.

Наступним кроком команда планує додати відсутні етапи, після чого обробка після завершення також буде не потрібна. Майбутнє обіцяє.

Фото засновників команди

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

Цей матеріал зі сторінки WeChat «New Intelligence Yuan», автор: ASI Apocalypsis; редагування: Марко