【科技资讯】加州理工用AI攻克量子化学60年难题，1块显卡做完7800块的活

📝 核心摘要

量子化学领域的核心计算方法密度泛函理论（DFT）是药物筛选、催化剂设计、电池材料研发及芯片制造的底层支撑，但受限于计算复杂度的指数级增长，该方法已困扰学界60年：体系电子数每扩大10倍，计算量便增长1000倍，模拟含数千个电子的药物分子或电池材料时，单靠暴力计算耗时远超宇宙年龄。2026年8月24日，加州理工学院Anima Anandkumar团队发表的论文，为这一难题带来突破性解决方案。此前学界尝试用AI加速DFT计算的两种思路均存缺陷：直接预测最终结果的模型外推能力差，小分子到药物级大分子时误差从1%飙升至41%；逆向映射的思路则因数学不稳定，迭代几步便发散。该团队另辟蹊径，沿用DFT的迭代计算流程，用傅里叶神经算子（FNO）替代迭代中计算量最大的电子密度求解环节，将复杂度从传统的立方级（O(N³)）降至近线性级（O(N log N)），并保留了迭代循环的自我校验机制，形成“安全阀”——若模型超出能力范围，迭代会自动发散，研究者可快速识别结果不可信。实验数据验证了方案的震撼效果：单块NVIDIA B300 GPU完成了含82500个价电子的镁位错模拟，而2019年同类全量DFT计算需动用Summit超算上约7800块NVIDIA V100 GPU；外推至训练集未覆盖的药物级大分子时，该模型的密度误差仅2.23%，远低于直接预测模型的9.97%，当涉及45个重原子的大分子时，直接预测模型误差达41%，该模型仅为4%；其缩放指数达1.03（接近完美线性），而传统DFT方法为3.37（立方级），体系越大，计算效率的差距越不可逆。论文发布当日，Anandkumar宣布创办AI物理模拟公司Accelerated Understanding，路透社报道其训练的AI模型可在4D空间模拟物理现象，推理上下文长度超5万亿。目前该模型仅替代了DFT计算的核心环节，完整能量计算仍需后处理，但团队计划后续补全该环节，有望实现全流程AI加速，为药物研发、电池材料设计等领域大幅降低计算成本与时间成本。

🔗 阅读原文

👉 加州理工用AI攻克量子化学60年难题，1块显卡做完7800块的活

🏷️ 标签：量子化学计算, AI, 密度泛函理论, 傅里叶神经算子