Исследователи Калифорнийского технологического института представили подход, который, по их данным, может существенно ускорить расчёты в квантовой химии. Работа команды Анимы Анандкумар посвящена одному из ключевых методов моделирования электронных систем — теории функционала плотности, или DFT.
Этот метод широко применяется при поиске лекарств, разработке аккумуляторов, катализаторов и новых материалов для микроэлектроники, однако традиционные вычисления становятся крайне дорогими по мере роста числа электронов.
Главная проблема DFT заключается в масштабе вычислений. При увеличении размера системы затраты обычно растут приблизительно кубически: если число электронов возрастает в десять раз, объём работы может увеличиться примерно в тысячу раз. Поэтому точное моделирование крупных молекул, кристаллов и дефектов материалов требует суперкомпьютеров и большого количества графических ускорителей.
Авторы предложили не заменять физическую модель целиком, а встроить ИИ в наиболее затратный этап её итерационного расчёта. Для этого они использовали Fourier Neural Operator — нейросетевую архитектуру, обученную предсказывать электронную плотность на каждом шаге вычислений.
Затем этот результат возвращается в привычный физический цикл, который повторяется до стабилизации решения. Такой подход сохраняет структуру исходной модели и позволяет не полагаться на одноразовый прогноз нейросети.
Согласно приведённым в материале результатам, метод Kohn–Sham FNO показывает почти линейный рост затрат при увеличении системы, тогда как традиционные методы сохраняют значительно более тяжёлую зависимость.
В одном из экспериментов исследователи смогли смоделировать металлическую структуру с десятками тысяч электронов на одном современном GPU. Авторы сравнивают это с более ранними крупномасштабными расчётами, для которых требовались тысячи графических процессоров, хотя прямое сопоставление разных поколений оборудования само по себе не является полностью эквивалентным.
Важное преимущество метода состоит в его поведении за пределами обучающих данных. Модели, которые сразу предсказывают окончательный результат, могут выдавать правдоподобный, но неверный ответ.
В итерационной схеме нестабильность или расходимость вычисления служит сигналом, что задача находится вне надёжной области применения модели. Это делает подход потенциально более безопасным для научных расчётов.
Пока ИИ ускоряет только одну, хотя и наиболее ресурсоёмкую, часть процесса. Для получения полной энергии системы требуется дополнительная обработка. Тем не менее работа демонстрирует перспективный принцип: нейросети могут не вытеснять фундаментальную физику, а сокращать стоимость самых тяжёлых повторяющихся вычислений.
Если этот подход подтвердит эффективность на широком спектре материалов и задач, он может заметно ускорить разработку лекарств, батарей, полупроводников и других сложных технологий.