AI 将量子化学计算复杂度从立方级降至近线性
新智元 · wechat · 2026-08-26
加州理工学院 Anima Anandkumar 团队提出 Kohn-Sham FNO 方法，用傅里叶神经算子（FNO）替代 DFT 计算中最耗时的迭代求解步骤，将复杂度从 $O(N^3)$ 降至 $O(N \log N)$。
核心优势：
- 思维链式迭代：不直接预测结果，而是嵌入物理迭代循环，每一步自我校验，避免了传统 AI 模型在大分子外推时的误差失控。
- 极致算力压缩：在单块 NVIDIA B300 上完成了 82500 个价电子的镁位错模拟，相比 2019 年使用约 7800 块 V100 的计算，缩放指数从 3.37 降至 1.03（近线性）。
- 泛化能力：仅用 8504 个结构训练，即可同时处理分子和固体材料，在外推到药物级大分子时误差显著低于直接预测模型。
Anandkumar 已创办 AI 物理模拟公司 Accelerated Understanding，致力于将此类模拟扩展至 4D 空间。
所属事件:加州理工AI突破量子化学60年计算瓶颈实现近线性扩展(3 条相关)→
「研究」频道最新
- WorldMemArena 中选 NeurIPS:存储式 Agent 记忆评估遭颠覆 — xwang_lk · 2026-10-16
- 机械可解释性老将反思:对齐≠误解泛化,CoT 监督的隐忧 — akbirthko · 2026-10-16
- WEDGE 论文：把导航失败经历变成可学习的训练环境 — _akhaliq · 2026-10-16
- RExBench 基准:最强编码 Agent 自主完成研究扩展成功率仅 33% — najoungkim · 2026-10-16
- Google 发布 CLASHarness:基准测试多智能体冲突下的计算机操作能力 — google · 2026-10-16
- 清华团队证明:普通 Flow Matching 采样无法突破固定深度模型表达力上限 — SQZ · 2026-10-16