Hành vi lượng tử của 100 electron, nếu tính toán bằng phương pháp vét cạn, thời gian cần thiết để tính một lần vượt quá tuổi của vũ trụ.
Một phân tử thuốc có thể chứa hàng nghìn electron, còn vật liệu pin thì nhiều hơn nữa. Mô phỏng chúng là nhu cầu cốt lõi trong nghiên cứu và phát triển thuốc, pin và chip.
Ngày 24 tháng 8, nhóm của Anima Anandkumar tại Viện Công nghệ California (Caltech) đã công bố một bài báo, sử dụng một mô hình AI để giảm độ phức tạp tính toán loại này từ bậc ba xuống gần như bậc tuyến tính.
https://x.com/AnimaAnandkumar/status/2092031815448248594
Hiệu quả khá ấn tượng: Hoàn thành mô phỏng khuyết tật kim loại chứa 82500 electron trên một GPU đơn lẻ, trong khi một tính toán tương tự vào năm 2019 đã sử dụng khoảng 7800 GPU.
Nút thắt kéo dài 60 năm
Phương pháp tính toán được sử dụng phổ biến nhất trong lĩnh vực hóa lượng tử là Lý thuyết phiếm hàm mật độ (DFT), một lý thuyết đạt giải Nobel, không thể thiếu trong sàng lọc thuốc, thiết kế chất xúc tác và nghiên cứu vật liệu pin.
Vấn đề là quá chậm: Hệ thống cứ lớn hơn một chút, khối lượng tính toán lại tăng theo cấp số nhân bậc ba — số electron tăng gấp 10 lần, khối lượng tính toán tăng 1000 lần.
Trong 60 năm qua, các nhà vật lý đã không ngừng tìm cách tăng tốc nó, nhưng không có đột phá thực chất.
AI đã thử hai hướng tiếp cận.
Một hướng là để mô hình dự đoán trực tiếp kết quả cuối cùng, một bước đến nơi.
Hiệu quả trong phân phối huấn luyện khá tốt, nhưng khả năng ngoại suy rất kém: Một khi phân tử lớn hơn những phân tử đã thấy trong tập huấn luyện, sai số sẽ vượt tầm kiểm soát.
Thử nghiệm thực tế trong bài báo cho thấy, khi ngoại suy từ phân tử nhỏ lên phân tử cấp độ thuốc, sai số của mô hình dự đoán trực tiếp tăng từ dưới 1% lên khoảng 10%, cao nhất đạt 41%.
Hướng tiếp cận khác đi theo con đường cũ của các nhà vật lý, để AI học một ánh xạ ngược.
Con đường này không ổn định về mặt toán học, trong thí nghiệm đối chứng của bài báo, tất cả các phép tính đều phân kỳ sau vài bước lặp, toàn bộ thất bại.
Lặp lại như chuỗi suy nghĩ thay vì đoán đáp án một bước
Bài báo này đã chọn một hướng khác.
Quy trình tính toán DFT là một quá trình lặp đi lặp lại: Mỗi vòng lặp nhận một tập điều kiện đầu vào, tính ra mật độ electron, sau đó dùng mật độ đó để cập nhật điều kiện đầu vào, lặp lại cho đến khi kết quả ổn định.
Phương pháp truyền thống bị tắc nghẽn ở chỗ mỗi vòng lặp đều phải thực hiện một phép giải có khối lượng tính toán khổng lồ, bước này là bậc ba.
Cách làm của nhóm Anandkumar là: Dùng AI để thay thế bước này.
Huấn luyện một Toán tử thần kinh Fourier (FNO), để nó học được ánh xạ thuận "với điều kiện đầu vào cho trước, đầu ra là mật độ electron tương ứng", độ phức tạp tính toán giảm từ O(N^3) xuống O(N log N).
Sau đó nhúng mô hình trở lại vòng lặp lặp ban đầu, các bước khác giữ nguyên.
https://x.com/AnimaAnandkumar/status/2090125110309204371
Có thể hiểu như thế này: Mô hình dự đoán trực tiếp tương đương với việc để LLM đưa ra câu trả lời cuối cùng cho một bài toán khó chỉ trong một bước, bài toán đơn giản thì không sao, bài toán khó dễ sai.
Kohn-Sham FNO tương đương với việc để mô hình thực hiện chuỗi suy nghĩ khi suy luận, suy diễn từng bước, mỗi bước đều có thể tự kiểm tra, nếu sai thì các vòng lặp sau sẽ kéo nó về đúng hướng.
Thiết kế này còn mang lại một ưu điểm mà mô hình dự đoán trực tiếp không có: Van an toàn.
Nếu mô hình bị đẩy ra ngoài phạm vi khả năng của nó, quá trình lặp sẽ phân kỳ, nhà nghiên cứu lập tức biết kết quả không đáng tin.
Thí nghiệm sai hỏng (dislocation) của magiê trong bài báo đã xác minh điều này ngay lần thử đầu tiên: Sử dụng mô hình tiền huấn luyện tổng quát để tính trực tiếp, tất cả các phép tính lập tức phân kỳ — sự phân kỳ tự nó đã là một cảnh báo.
Mô hình dự đoán trực tiếp đưa ra một đáp án, bạn không có cách nào để đánh giá nó đúng hay sai.
Dữ liệu huấn luyện chỉ sử dụng 8504 cấu trúc, một mô hình duy nhất xử lý đồng thời phân tử và vật liệu rắn, bao phủ năm hàng đầu của bảng tuần hoàn.
Điều này có được nhờ một biến thể FNO bất biến miền do nhóm thiết kế: Các hệ thống có kích thước khác nhau chia sẻ cùng một bộ bộ lọc đã học được, phân tử nhỏ và tinh thể khối lớn sử dụng cùng một mô hình.
Khi ngoại suy đến phân tử lớn cấp độ thuốc chưa từng thấy trong tập huấn luyện, sai số mật độ của Kohn-Sham FNO là 2.23%, còn mô hình dự đoán trực tiếp là 9.97%.
Phân tử càng lớn thì khoảng cách càng rõ rệt: Đến 45 nguyên tử nặng, sai số dự đoán trực tiếp tăng vọt lên 41%, trong khi Kohn-Sham FNO chỉ có 4%.
1 GPU, 80 nghìn electron
Nhóm đã lấy cấu trúc sai hỏng của magiê để làm xác minh quy mô lớn.
Năm 2019, một nghiên cứu được đề cử giải Gordon Bell của ACM đã thực hiện phép tính DFT đầy đủ cho 6164 nguyên tử magiê, sử dụng khoảng 7800 GPU NVIDIA V100 trên siêu máy tính Summit.
Trong khi đó, Kohn-Sham FNO mới nhất đã hoàn thành phép tính cho 8250 nguyên tử, 82500 electron hóa trị trên một GPU NVIDIA B300 duy nhất, tất cả đều hội tụ.
Chỉ số mở rộng thực đo được là 1.03 (gần với tuyến tính hoàn hảo), phương pháp truyền thống là 3.37 (bậc ba).
So sánh 1 B300 với 7800 V100 không phải là 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 bậc ba, hệ thống càng lớn thì khoảng cách càng không thể đảo ngược.
Cùng ngày công bố bài báo, Anandkumar tuyên bố thành lập công ty mô phỏng vật lý AI có tên Accelerated Understanding, Reuters sau đó 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 trên X, mô hình AI mà công ty huấn luyện mô phỏng 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 mới chỉ học một khâu trong quy trình tính toán, việc tính toán năng lượng đầy đủ vẫn cần một bước hậu xử lý.
Nhưng con đường đã rõ: AI thay thế không phải là vật lý, mà là bước tính toán lặp đi lặp lại tốn kém nhất trong tính toán vật lý.
Kế hoạch tiếp theo của nhóm là bổ sung các khâu còn lại, khi đó bước hậu xử lý cũng có thể bỏ qua. Tương lai đáng mong đợi.
Ảnh nhóm các nhà sáng lập
Tài liệu tham khảo: https://tensorlab.cms.caltech.edu/users/anima/ks_fno.html
Bài viết này đến từ tài khoản công chúng WeChat "新智元", tác giả: ASI启示录; biên tập viên: 马可
