Квантовое поведение 100 электронов, рассчитанное методом грубой силы, требует времени, превышающего возраст Вселенной.
Молекула лекарства легко содержит тысячи электронов, материал батареи — еще больше. Их моделирование является фундаментальной потребностью в разработке лекарств, батарей и чипов.
24 августа команда Анимы Анандкумар из Калифорнийского технологического института опубликовала статью, в которой с помощью модели ИИ снизила сложность таких вычислений с кубической до почти линейной.
https://x.com/AnimaAnandkumar/status/2092031815448248594
Результат впечатляет: на одной видеокарте GPU был проведен расчет моделирования дефекта в металле с 82500 электронами, в то время как аналогичный расчет в 2019 году потребовал около 7800 видеокарт GPU.
Узкое место, длившееся 60 лет
Самый распространенный метод вычислений в квантовой химии называется теорией функционала плотности (DFT) — это теория нобелевского уровня, без которой не обходятся скрининг лекарств, проектирование катализаторов и разработка материалов для батарей.
Проблема в том, что она слишком медленная: при увеличении системы объем вычислений растет кубически — увеличение числа электронов в 10 раз увеличивает объем вычислений в 1000 раз.
В течение 60 лет физики искали способы ускорить ее, но без существенного прорыва.
ИИ пробовал два подхода.
Первый подход — заставить модель напрямую предсказывать конечный результат, одним шагом.
В пределах распределения обучающих данных результаты хороши, но способность к экстраполяции плохая: как только молекула становится больше, чем те, что встречались в обучающем наборе, погрешность выходит из-под контроля.
Эксперименты в статье показывают, что при экстраполяции от маленьких молекул к молекулам уровня лекарств погрешность модели прямого предсказания возрастает с менее 1% до примерно 10%, достигая максимум 41%.
Второй подход следует по старому пути физиков: заставить ИИ изучить обратное отображение.
Этот путь математически нестабилен; в контрольных экспериментах статьи все вычисления расходятся после нескольких итераций, полный провал.
Итерации, как цепочка рассуждений, а не угадывание ответа одним шагом
Эта статья сменила направление.
Вычислительный процесс DFT — это итерационный процесс: на каждом раунде задается набор входных условий, вычисляется электронная плотность, затем плотность используется для обновления входных условий, и цикл повторяется, пока результат не стабилизируется.
Традиционные методы застревают в том, что на каждой итерации необходимо выполнять чрезвычайно ресурсоемкое решение, этот шаг имеет кубическую сложность.
Команда Анандкумар поступила так: заменила этот шаг на ИИ.
Обучили нейронный оператор Фурье (FNO), чтобы он научился прямому отображению «по заданным входным условиям выдать соответствующую электронную плотность», снизив вычислительную сложность с O(N³) до O(N log N).
Затем модель встроили обратно в исходный итерационный цикл, остальные шаги остались без изменений.
https://x.com/AnimaAnandkumar/status/2090125110309204371
Можно понять это так: модель прямого предсказания похожа на то, чтобы заставить LLM дать окончательный ответ на сложную задачу одним шагом — с простыми задачами нет проблем, с трудными легко ошибиться.
Kohn-Sham FNO похож на то, чтобы заставить модель делать цепочку рассуждений при выводе, шаг за шагом, с возможностью самопроверки на каждом этапе; если ошибется, последующие итерации ее исправят.
Такая конструкция также обладает преимуществом, которого нет у модели прямого предсказания: предохранительным клапаном.
Если модель выходит за пределы своих возможностей, итерации расходятся, и исследователи сразу знают, что результату нельзя доверять.
Первый эксперимент с дислокацией магния в статье подтвердил это: при использовании универсальной предобученной модели для прямого расчета все вычисления немедленно разошлись — сама расходимость служит сигналом тревоги.
Модель прямого предсказания выдает ответ, и вы не можете судить, верен он или нет.
Обучающие данные включали только 8504 структуры, одна модель одновременно обрабатывает молекулы и твердые материалы, охватывая первые пять строк периодической таблицы.
Это стало возможным благодаря разработанному командой варианту FNO, инвариантному к области: системы разного размера используют один и тот же набор изученных фильтров, одна модель для малых молекул и крупных кристаллов.
При экстраполяции на крупные молекулы уровня лекарств, не встречавшиеся в обучающем наборе, погрешность плотности Kohn-Sham FNO составила 2,23%, у модели прямого предсказания — 9,97%.
Чем больше молекула, тем заметнее разрыв: при 45 тяжелых атомах погрешность прямого предсказания взлетает до 41%, у Kohn-Sham FNO — всего 4%.
1 видеокарта GPU, 80 тысяч электронов
Команда провела масштабную проверку на структуре дислокации магния.
В 2019 году исследование, номинированное на премию ACM Gordon Bell Prize, провело полный DFT-расчет для 6164 атомов магния, задействовав около 7800 видеокарт NVIDIA V100 GPU на суперкомпьютере Summit.
Новый же Kohn-Sham FNO на одной видеокарте NVIDIA B300 GPU выполнил расчет для 8250 атомов, 82500 валентных электронов, при этом все вычисления сошлись.
Фактически измеренный показатель масштабирования составил 1.03 (почти идеальная линейность), у традиционного метода — 3.37 (кубическая).
Сравнение 1 B300 с 7800 V100 — не эквивалентное сравнение аппаратного обеспечения, но показатель масштабирования не зависит от железа: один почти линейный, другой кубический, чем больше система, тем больше и необратимее разрыв.
В день публикации статьи Анандкумар объявила о создании компании по ИИ-моделированию физики Accelerated Understanding, впоследствии Reuters опубликовал репортаж.
https://www.reuters.com/business/ai-founders-who-walked-away-bezos-backed-prometheus-model-universe-2026-08-25/
Как она рассказала в X, ИИ-модели компании моделируют физические явления в 4D-пространстве, длина контекста вывода превышает 5 триллионов.
https://x.com/AnimaAnandkumar/status/2092236528898675014
На данный момент Kohn-Sham FNO изучил только один этап вычислительного процесса, для полного расчета энергии требуется еще один шаг постобработки.
Но путь ясен: ИИ заменяет не физику, а самый затратный шаг повторяющихся вычислений в физических расчетах.
Следующим шагом команда планирует добавить оставшиеся этапы, тогда постобработку также можно будет исключить. Будущее многообещающее.
Фото основателей команды
Источники: https://tensorlab.cms.caltech.edu/users/anima/ks_fno.html
Эта статья взята с официального аккаунта WeChat «Новый разум» (新智元), автор: ASI启示录; редактор: Марко
