Thời gian cần để tính toán một lần hành vi lượng tử của 100 electron bằng phương pháp bạo lực vượt quá tuổi của vũ trụ.
Một phân tử thuốc có thể có hàng nghìn electron, vật liệu pin còn nhiều hơn nữa. Mô phỏng chúng là nhu cầu cốt lõi trong nghiên cứu và phát triển thuốc, pin và chip.
Đội ngũ của Anima Anandkumar tại Viện Công nghệ California đã công bố một bài báo vào ngày 24 tháng 8, sử dụng một mô hình AI để giảm độ phức tạp của các phép tính này từ cấp bậc lập phương xuống gần tuyến tính.
https://x.com/AnimaAnandkumar/status/2092031815448248594
Hiệu quả đáng kinh ngạc: Đã thực hiện mô phỏng khuyết tật kim loại với 82.500 electron trên một GPU duy nhất, trong khi năm 2019, phép tính tương tự cần khoảng 7.800 GPU.
Bế tắc đã tồn tại 60 năm
Phương pháp tính toán được sử dụng phổ biến nhất trong lĩnh vực hóa học lượng tử là lý thuyết hàm mật độ (DFT), một lý thuyết đạt giải Nobel, không thể thiếu trong sàng lọc thuốc, thiết kế chất xúc tác và phát triển vật liệu pin.
Vấn đề là quá chậm: mỗi khi hệ thống lớn hơn một chút, lượng tính toán tăng theo lập phương—số electron tăng 10 lần, lượng tính toán tăng 1000 lần.
Trong 60 năm qua, các nhà vật lý đã tìm cách tăng tốc nó, nhưng chưa có bước đột phá thực sự.
AI đã thử hai cách tiếp cận.
Một cách tiếp cận là để mô hình trực tiếp dự đoán kết quả cuối cùng, thực hiện trong một bước.
Hiệu suất tốt trong phân phối huấn luyện, nhưng khả năng suy diễn rất kém: ngay khi tử số vượt quá những giá trị từng thấy trong tập huấn luyện, lỗi sẽ mất kiểm soát.
Thực nghiệm cho thấy, khi ngoại suy từ các phân tử nhỏ sang các phân tử dược phẩm, sai số của mô hình dự đoán trực tiếp tăng từ dưới 1% lên khoảng 10%, cao nhất đạt 41%.
Một cách tiếp cận khác là đi theo con đường cũ của các nhà vật lý, để AI học một ánh xạ ngược.
Con đường này về mặt toán học không ổn định, trong các thí nghiệm so sánh của bài báo, tất cả các phép tính đều phân kỳ sau vài vòng lặp, thất bại hoàn toàn.
Lặp lại như một chuỗi suy luận thay vì đoán đáp án trong một bước
Bài luận này đã thay đổi hướng đi.
Quy trình tính toán DFT là một quá trình lặp lại: mỗi vòng lặp, cung cấp một bộ điều kiện đầu vào, tính toán mật độ điện tử, sau đó cập nhật điều kiện đầu vào dựa trên mật độ, lặp lại chu trình cho đến khi kết quả ổn định.
Phương pháp truyền thống bị mắc kẹt ở việc phải thực hiện một phép giải tính toán khổng lồ trong mỗi vòng lặp, bước này có độ phức tạp lập phương.
Nhóm Anandkumar thực hiện việc sử dụng AI để thay thế bước này.
Huấn luyện một toán tử thần kinh Fourier (FNO) để nó học ánh xạ thuận: “cho điều kiện đầu vào, đầu ra mật độ điện tử”, giảm độ phức tạp tính toán từ O(N³) xuống O(N log N).
Sau đó nhúng mô hình trở lại vòng lặp lặp lại ban đầu, các bước còn lại giữ nguyên.
https://x.com/AnimaAnandkumar/status/2090125110309204371
Có thể hiểu như sau: Mô hình dự đoán trực tiếp tương đương với việc yêu cầu LLM đưa ra câu trả lời cuối cùng cho một câu hỏi khó trong một bước, vấn đề đơn giản thì không sao, nhưng với câu hỏi khó dễ mắc sai lầm.
Kohn-Sham FNO tương đương với việc cho mô hình sử dụng chuỗi suy luận trong quá trình suy luận, thực hiện từng bước và tự kiểm tra ở mỗi bước; nếu sai, các lần lặp sau sẽ điều chỉnh lại.
Thiết kế này còn có một lợi thế mà mô hình dự đoán trực tiếp không có: van an toàn.
Nếu mô hình bị đẩy ra ngoài phạm vi khả năng, các lần lặp sẽ phân kỳ và các nhà nghiên cứu ngay lập tức biết rằng kết quả không đáng tin cậy.
Thử nghiệm đầu tiên về lỗi trong magie trong bài báo đã xác nhận điều này: khi sử dụng mô hình tiền huấn luyện phổ dụng để tính toán trực tiếp, mọi phép tính đều lập tức phân kỳ—sự phân kỳ chính là cảnh báo.
Mô hình dự đoán trực tiếp đưa ra một câu trả lời, bạn không thể xác định nó đúng hay sai.
Dữ liệu huấn luyện chỉ sử dụng 8.504 cấu trúc, một mô hình xử lý đồng thời phân tử và vật liệu rắn, bao phủ năm hàng đầu tiên của bảng tuần hoàn.
Điều này là nhờ vào một biến thể FNO không phụ thuộc miền do đội ngũ thiết kế: các hệ thống có kích thước khác nhau chia sẻ cùng một bộ bộ lọc đã học, và cả phân tử nhỏ lẫn tinh thể khối đều sử dụng cùng một mô hình.
Khi ngoại suy sang các phân tử lớn ở cấp độ thuốc mà tập huấn luyện chưa từng thấy, sai số mật độ của Kohn-Sham FNO là 2,23%, trong khi mô hình dự đoán trực tiếp là 9,97%.
Càng nhiều phân tử, sự khác biệt càng rõ rệt: khi đạt đến 45 nguyên tử nặng, sai số dự đoán trực tiếp tăng lên 41%, trong khi Kohn-Sham FNO chỉ ở mức 4%.
1 GPU, 80.000 điện tử
The team conducted large-scale validation on the dislocation structure of magnesium.
Năm 2019, một nghiên cứu được đề cử giải ACM Gordon Bell đã thực hiện tính toán DFT toàn bộ cho 6.164 nguyên tử magie, sử dụng khoảng 7.800 GPU NVIDIA V100 trên siêu máy tính Summit.
Trong khi đó, Kohn-Sham FNO mới nhất đã hoàn thành tính toán cho 8.250 nguyên tử và 82.500 electron hóa trị trên một GPU NVIDIA B300 duy nhất, với toàn bộ quá trình hội tụ.
Thực nghiệm cho thấy chỉ số thu phóng là 1.03 (gần như tuyến tính hoàn hảo), phương pháp truyền thống là 3.37 (cấp lập phương).
1 chiếc B300 và 7.800 chiếc V100 không phải là sự so sánh tương đương về phần cứng, nhưng chỉ số mở rộng không bị ảnh hưởng bởi phần cứng: một cái gần tuyến tính, một cái lập phương, quy mô càng lớn thì khoảng cách càng không thể đảo ngược.
Cùng ngày công bố bài báo, Anandkumar thông báo thành lập công ty mô phỏng vật lý AI Accelerated Understanding, sau đó Reuters đã đưa tin.
https://www.reuters.com/business/ai-founders-who-walked-away-bezos-backed-prometheus-model-universe-2026-08-25/
Theo giới thiệu của cô ấy trên X, mô hình AI do công ty đào tạo mô phỏng các hiện tượng vật lý trong không gian 4D với độ dài ngữ cảnh suy luận vượt quá 5 nghìn tỷ.
https://x.com/AnimaAnandkumar/status/2092236528898675014
Hiện tại, Kohn-Sham FNO chỉ học được một khâu trong quy trình tính toán, việc tính toán năng lượng đầy đủ vẫn cần thêm một bước xử lý sau.
Nhưng con đường đã rõ ràng: AI không thay thế vật lý, mà là bước tính toán tốn kém nhất trong tính toán vật lý—sự lặp lại.
Đội ngũ kế hoạch bổ sung các khâu còn lại trong bước tiếp theo, khi đó quá trình xử lý sau cũng sẽ được loại bỏ. Tương lai đầy hứa hẹn.
Ảnh nhóm sáng lập
Tài liệu tham khảo: https://tensorlab.cms.caltech.edu/users/anima/ks_fno.html
Bài viết này đến từ tài khoản chính thức WeChat “Xin Trí Nguyên”, tác giả: ASI Khải Lộ; biên tập: Ma Khắc