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！

100 个电子的量子行为，用暴力方法计算一次所需的时间超过宇宙的年龄。

一颗药物分子动辄上千个电子，一块电池材料更多。模拟它们，是药物、电池、芯片研发的底层需求。

加州理工学院 Anima Anandkumar 团队 8 月 24 日发了一篇论文，用一个 AI 模型把这类计算的复杂度从立方级压到了近线性级。

https://x.com/AnimaAnandkumar/status/2092031815448248594

效果相当震撼：在单块 GPU 上完成了一个含 82500 个电子的金属缺陷模拟，2019 年同类计算用了约 7800 块 GPU。

困了 60 年的瓶颈

量子化学领域最常用的计算方法叫密度泛函理论（DFT），诺贝尔奖级的理论，药物筛选、催化剂设计、电池材料研发都离不开它。

问题在于太慢：体系每大一点，计算量就呈立方增长——电子数翻 10 倍，计算量涨 1000 倍。

60 年来，物理学家一直在找让它提速的办法，但没有实质突破。

AI 尝试过两种思路。

一种思路是让模型直接预测最终结果，一步到位。

训练分布内效果不错，但外推能力很差：分子一旦大于训练集中见过的，误差就失控。

论文实测，从小分子外推到药物级分子时，直接预测模型的误差从不到 1% 飙到约 10%，最高达 41%。

另一种思路沿用物理学家的老路，让 AI 学一个逆向映射。

这条路数学上不稳定，论文的对照实验中，所有计算都在迭代几步后发散，全军覆没。

像思维链一样迭代
而不是一步猜答案

这篇论文换了一个方向。

DFT 的计算流程是一个反复迭代的过程：每轮给定一组输入条件，算出电子密度，再用密度更新输入条件，循环往复直到结果稳定。

传统方法卡在每轮迭代中都要做一次计算量巨大的求解，这一步是立方级的。

Anandkumar 团队的做法是：用 AI 替掉这一步。

训练一个傅里叶神经算子（FNO），让它学会「给定输入条件，输出对应的电子密度」这个正向映射，计算复杂度从 O(N³) 降到 O(N log N)。

然后把模型嵌回原来的迭代循环，其他步骤照旧。

https://x.com/AnimaAnandkumar/status/2090125110309204371

可以这样理解：直接预测模型相当于让 LLM 对一道难题一步给出最终答案，简单题没问题，难题容易错。

Kohn-Sham FNO 相当于让模型做推理时的思维链，分步推演，每一步都能自我校验，错了后续迭代会把它拉回来。

这种设计还自带一个直接预测模型没有的优势：安全阀。

如果模型被推到了能力范围之外，迭代会发散，研究者立刻知道结果不可信。

论文中镁位错实验的第一次尝试就验证了这一点：用通用预训练模型直接算，所有计算立即发散——发散本身就是警报。

直接预测模型给出一个答案，你无从判断它是对是错。

训练数据只用了 8504 个结构，一个模型同时处理分子和固体材料，覆盖元素周期表前五行。

这得益于团队设计的一种域不变 FNO 变体：不同大小的体系共享同一套学到的滤波器，小分子和大块晶体用同一个模型。

外推到训练集没见过的药物级大分子时，Kohn-Sham FNO 的密度误差为 2.23%，直接预测模型为 9.97%。

分子越大差距越明显：到 45 个重原子时，直接预测误差飙到 41%，Kohn-Sham FNO 只有 4%。

1 块 GPU，8 万个电子

团队拿镁的位错结构做了大规模验证。

2019 年，一项获得 ACM 戈登贝尔奖提名的研究对 6164 个镁原子做了全量 DFT 计算，动用了 Summit 超算上约 7800 块 NVIDIA V100 GPU。

而最新的 Kohn-Sham FNO 在单块 NVIDIA B300 GPU 上完成了 8250 个原子、82500 个价电子的计算，全部收敛。

实测缩放指数为 1.03（接近完美线性），传统方法为 3.37（立方级）。

1 块 B300 与 7800 块 V100 不是硬件对等比较，但缩放指数不受硬件影响：一个近线性，一个立方，体系越大差距越不可逆。

论文发布同一天，Anandkumar 宣布创办 AI 物理模拟公司 Accelerated Understanding，路透社随后做了报道。

https://www.reuters.com/business/ai-founders-who-walked-away-bezos-backed-prometheus-model-universe-2026-08-25/

据她在 X 上介绍，公司训练的 AI 模型在 4D 空间中模拟物理现象，推理上下文长度超过 5 万亿。

https://x.com/AnimaAnandkumar/status/2092236528898675014

目前 Kohn-Sham FNO 只学了计算流程中的一个环节，完整的能量计算还需要一步后处理。

但路径已经清楚：AI 替代的不是物理，是物理计算中最烧钱的那一步重复运算。

团队下一步计划补上剩余环节，届时后处理也可以省掉。未来可期。

团队创始人合照

参考资料：

https://tensorlab.cms.caltech.edu/users/anima/ks_fno.html

编辑：马可