Perilaku kuantum 100 elektron, jika dihitung dengan metode brute force, akan memakan waktu lebih lama dari usia alam semesta.
Satu molekul obat bisa terdiri dari ribuan elektron, bahan baterai bahkan lebih banyak. Mensimulasikannya adalah kebutuhan mendasar dalam pengembangan obat, baterai, dan chip.
Tim dari Caltech yang dipimpin Anima Anandkumar menerbitkan sebuah makalah pada 24 Agustus, menggunakan model AI untuk menekan kompleksitas komputasi jenis ini dari tingkat kubik menjadi hampir linier.
https://x.com/AnimaAnandkumar/status/2092031815448248594
Hasilnya cukup mencengangkan: pada satu GPU tunggal, mereka menyelesaikan simulasi cacat logam yang mengandung 82.500 elektron. Perhitungan serupa pada 2019 menggunakan sekitar 7.800 GPU.
Kemacetan yang Terjebak Selama 60 Tahun
Metode komputasi paling umum dalam kimia kuantum adalah Teori Fungsional Kerapatan (DFT), teori peraih Nobel yang sangat penting untuk penyaringan obat, desain katalis, dan pengembangan bahan baterai.
Masalahnya adalah terlalu lambat: setiap kali sistem membesar sedikit, beban komputasi tumbuh secara kubik — jika jumlah elektron bertambah 10 kali, beban komputasi naik 1.000 kali.
Selama 60 tahun, fisikawan terus mencari cara untuk mempercepatnya, tetapi tidak ada terobosan substansial.
AI telah mencoba dua pendekatan.
Pendekatan pertama adalah membuat model langsung memprediksi hasil akhir, langsung selesai.
Dalam distribusi pelatihan, hasilnya bagus, tetapi kemampuan ekstrapolasi sangat buruk: begitu molekul lebih besar dari yang pernah dilihat dalam data pelatihan, kesalahan menjadi tak terkendali.
Uji makalah menunjukkan, saat mengekstrapolasi dari molekul kecil ke molekul tingkat obat, kesalahan model prediksi langsung melonjak dari kurang dari 1% menjadi sekitar 10%, bahkan mencapai 41%.
Pendekatan kedua mengikuti jalan lama fisikawan, membuat AI mempelajari pemetaan terbalik.
Jalan ini tidak stabil secara matematis. Dalam eksperimen kontrol makalah, semua perhitungan menyimpang setelah beberapa iterasi, gagal total.
Beriterasi Seperti Rantai Pikir, Bukan Tebak Jawaban Sekaligus
Makalah ini mengambil arah berbeda.
Alur komputasi DFT adalah proses iteratif berulang: setiap putaran diberi sekumpulan kondisi input, menghitung kerapatan elektron, lalu menggunakan kerapatan tersebut untuk memperbarui kondisi input, berulang sampai hasil stabil.
Metode tradisional tersendat karena setiap iterasi harus melakukan penyelesaian dengan beban komputasi besar — langkah ini bersifat kubik.
Cara tim Anandkumar adalah: ganti langkah ini dengan AI.
Latih sebuah Fourier Neural Operator (FNO), ajari dia mempelajari pemetaan maju "diberikan kondisi input, hasilkan kerapatan elektron yang sesuai", sehingga kompleksitas komputasi turun dari O(N³) menjadi O(N log N).
Kemudian tanamkan model kembali ke dalam loop iterasi asli, langkah lainnya tetap sama.
https://x.com/AnimaAnandkumar/status/2090125110309204371
Dapat dipahami seperti ini: model prediksi langsung seperti meminta LLM memberikan jawaban akhir untuk soal sulit sekaligus. Untuk soal mudah tidak masalah, soal sulit mudah salah.
Kohn-Sham FNO seperti meminta model melakukan 'rantai pemikiran' dalam penalaran, menurunkan langkah demi langkah, setiap langkah dapat memeriksa diri sendiri, jika salah iterasi berikutnya akan menariknya kembali.
Desain ini juga membawa keunggulan yang tidak dimiliki model prediksi langsung: katup pengaman.
Jika model didorong di luar kemampuannya, iterasi akan menyimpang, peneliti langsung tahu hasilnya tidak dapat dipercaya.
Eksperimen dislokasi magnesium dalam makalah membuktikan hal ini pada percobaan pertama: menggunakan model pra-latihan umum langsung menghitung, semua perhitungan langsung menyimpang — penyimpangan itu sendiri adalah alarm.
Model prediksi langsung memberikan sebuah jawaban, Anda tidak tahu benar atau salah.
Data pelatihan hanya menggunakan 8.504 struktur, satu model menangani molekul dan bahan padat sekaligus, mencakup lima baris pertama tabel periodik.
Ini berkat varian FNO invarian domain yang dirancang tim: sistem dengan ukuran berbeda berbagi set filter yang sama yang telah dipelajari, molekul kecil dan kristal besar menggunakan model yang sama.
Saat mengekstrapolasi ke molekul besar tingkat obat yang belum pernah dilihat dalam data pelatihan, kesalahan kerapatan Kohn-Sham FNO adalah 2.23%, model prediksi langsung 9.97%.
Semakin besar molekul, semakin jelas perbedaannya: pada 45 atom berat, kesalahan prediksi langsung melonjak ke 41%, Kohn-Sham FNO hanya 4%.
1 GPU, 80 Ribu Elektron
Tim melakukan validasi skala besar dengan struktur dislokasi magnesium.
Pada 2019, sebuah penelitian yang dinominasikan untuk ACM Gordon Bell Prize melakukan perhitungan DFT penuh untuk 6.164 atom magnesium, menggunakan sekitar 7.800 GPU NVIDIA V100 di superkomputer Summit.
Sementara Kohn-Sham FNO terbaru menyelesaikan perhitungan untuk 8.250 atom, 82.500 elektron valensi pada satu GPU NVIDIA B300 tunggal, semuanya konvergen.
Skala eksponen yang terukur adalah 1.03 (mendekati linier sempurna), metode tradisional 3.37 (tingkat kubik).
Perbandingan 1 B300 dengan 7.800 V100 bukan perbandingan perangkat keras yang setara, tetapi indeks skalabilitas tidak terpengaruh perangkat keras: satu mendekati linier, satu kubik, semakin besar sistem semakin tak terelakkan perbedaannya.
Di hari yang sama makalah dirilis, Anandkumar mengumumkan pendirian perusahaan simulasi fisika AI Accelerated Understanding, yang kemudian diliput Reuters.
https://www.reuters.com/business/ai-founders-who-walked-away-bezos-backed-prometheus-model-universe-2026-08-25/
Menurut pengenalan dia di X, model AI yang dilatih perusahaan mensimulasikan fenomena fisik dalam ruang 4D, panjang konteks penalaran melebihi 5 triliun.
https://x.com/AnimaAnandkumar/status/2092236528898675014
Saat ini Kohn-Sham FNO hanya mempelajari satu tautan dalam alur komputasi, perhitungan energi lengkap masih memerlukan satu langkah pasca-pemrosesan.
Tapi jalannya sudah jelas: AI menggantikan bukan fisika, melainkan langkah komputasi berulang yang paling mahal dalam perhitungan fisika.
Langkah selanjutnya tim adalah melengkapi tautan yang tersisa, saat itu pasca-pemrosesan juga bisa dihemat. Masa depan menjanjikan.
Foto bersama pendiri tim
Referensi: https://tensorlab.cms.caltech.edu/users/anima/ks_fno.html
Artikel ini dari akun WeChat "Xin Zhi Yuan", penulis: ASI Qishi Lu; editor: Ma Ke
