AI注目記事のキュレーターページ

計算化学の研究者は、分子相互作用をシミュレーションする際に、精度を犠牲にする高速な古典的力場を使用するか、大規模な仕事には遅すぎる正確な量子力学的手法に依存するというフラストレーションを抱えてきました。機械学習による力場（MLFF）は、高忠実度の量子データを用いてニューラルネットワークをトレーニングすることで、このギャップを埋めます。しかし、現代の医薬品発見や材料設計では、大規模な化学ライブラリを扱うためにさらに高速な処理速度が求められています。この性能制約を克服するために、シュレーディンガーはGoogle Cloudと提携し、Google DeepMindが開発した進化的AIコーディングエージェントであるAlphaEvolveを導入しました。シュレーディンガーは、MLFFトレーニングパイプライン内の2つの重要なアルゴリズム、近隣リスト計算とエヴァルド和を特定しました。これらのアルゴリズムは、原子の隣接データを集約し、長距離ポテンシャルを計算しますが、トレーニングと推論速度の制限要因となっていました。シュレーディンガーの主な技術目標は、エネルギーと力の計算のためのAIモデルのトレーニングを加速することでした。特に、分子力学で使用される重要だが計算負荷の高い関数であるエヴァルド和に焦点を当てました。AlphaEvolveをモデルに組み込むことで、システムはエヴァルド和のバッチ実装を生成し、並列バッチ行列乗算を使用してPyTorchコードを進化させ、既存のカスタムカーネルを上回ることができました。評価指標として、逆時間（主な指標）、機能的正確性、成功率を用いて進化したコードの性能と科学的正確性を確認しました。AlphaEvolveを適用することで、シュレーディンガーはエヴァルド和コード内の単純なforループを並列バッチ行列乗算に置き換え、プログラムの成功率を40件の評価中1%未満から60%以上に向上させ、性能指標を7.9からほぼ30に改善しました。この基盤アルゴリズムの最適化により、MLFFのトレーニングと推論で4倍の加速が実現しました。この加速により、研究者は分子スクリーニングのタイムラインを短縮でき、医薬品発見、触媒設計、材料開発などの重要な研究分野に直接的な利益をもたらします。シュレーディンガーは、この進化的アプローチをカスタムGPUカーネルに適用し、AI生成コードが人間が設計した実装を上回るかどうかをテストする予定です。