加州理工AI方法将量子化学DFT计算复杂度从立方降至近线性
加州理工用AI替代DFT中最耗时的求解步骤，将量子化学计算从立方级加速到近线性，单GPU即可模拟8万电子体系。
量子化学的核心方法密度泛函理论（DFT，计算电子分布以预测材料性质）计算量随体系大小立方级增长，60年未破。加州理工团队用傅里叶神经算子（FNO，擅长学习函数映射的神经网络）替代DFT迭代中最耗时的求解步骤，把复杂度降到近线性，并用1块GPU完成8.25万电子模拟，2019年同类任务需约7800块GPU。
正文摘录
- title: 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！ - sourcecompany: 新智元 - bodymarkdown:  新智元报道  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。