Cómo Schrödinger aceleró el descubrimiento molecular por 4 veces con Alphaevolve

Los investigadores en química computacional han enfrentado tradicionalmente un frustrante compromiso al simular interacciones moleculares: utilizar campos de fuerza clásicos rápidos que sacrifican precisión o confiar en métodos cuánticos mecánicos precisos que son demasiado lentos para trabajos grandes. Los campos de fuerza aprendidos por máquina (MLFFs) cierran esa brecha al entrenar redes neuronales con datos cuánticos de alta fidelidad. Sin embargo, en el descubrimiento de fármacos modernos y el diseño de materiales, hay demanda de velocidades de procesamiento aún más rápidas para manejar las enormes bibliotecas químicas involucradas. Para superar dichas limitaciones de rendimiento, Schrödinger se asoció con Google Cloud para implementar AlphaEvolve, un agente de codificación de IA evolutiva desarrollado por Google DeepMind que genera y refina iterativamente algoritmos para encontrar el camino de código más eficiente superando el cuello de botella algorítmico. Un dúo colaborativo con AlphaEvolve, Schrödinger —un líder en el desarrollo de software científico durante más de tres décadas— identificó dos algoritmos críticos dentro de su canal de entrenamiento de MLFF que limitaban el rendimiento: el cálculo de listas de vecinos y la suma de Ewald. Estos algoritmos agregan datos de vecinos atómicos y calculan potenciales de largo alcance, pero ambos se convirtieron en factores limitantes en la velocidad de entrenamiento e inferencia. El principal objetivo técnico de Schrödinger era acelerar el entrenamiento de modelos de IA para cálculos de energía y fuerza. Específicamente, apuntaron a la suma de Ewald, una función crítica pero computacionalmente exigente utilizada en la mecánica molecular. La suma de Ewald era la principal limitación de rendimiento en el código de PyTorch de Schrödinger. No tenía un algoritmo vectorizado establecido y a menudo dependía de simples bucles for que se ejecutaban lentamente en simulaciones grandes. Al incorporar AlphaEvolve en sus modelos, el sistema pudo generar una implementación por lotes de la suma de Ewald utilizando multiplicación de matrices por lotes en paralelo. Esto evolucionaría el código de PyTorch para superar los núcleos personalizados existentes. Para evaluar, Schrödinger utilizó un riguroso marco de evaluación de múltiples capas para confirmar que el código evolucionado era tanto eficiente como científicamente preciso: Tiempo inverso (métrica principal): El objetivo central era maximizar el rendimiento al reducir el tiempo de cálculo, a partir de una puntuación base de 7.9. Corrección funcional: Todos los programas evolucionados debían pasar un conjunto completo de pruebas, incluidos los test de regresión en sistemas complejos como los modelos de agua desordenada. Tasa de éxito: Esto se midió por la proporción de programas que eran tanto funcionalmente correctos como más rápidos que la base. “AlphaEvolve nos permite explorar espacios químicos más grandes, más rápido y de manera más eficiente que nunca. Una inferencia más rápida de MLFF tiene un impacto empresarial real, acortando los ciclos de I+D en el descubrimiento de fármacos, el diseño de catalizadores y el desarrollo de materiales, y permitiendo a las empresas seleccionar candidatos moleculares en días en lugar de meses.” — Gabriel Marques, líder técnico de aprendizaje automático, Schrödinger Resultados: una aceleración de 4x y ruptura de cuellos de botella Al aplicar AlphaEvolve, Schrödinger reemplazó bucles for simples en el código de suma de Ewald con multiplicación de matrices por lotes en paralelo. Esta optimización elevó la tasa de éxito del programa de menos del 1% (40 de 5,000 evaluaciones) a más del 60%, mientras mejoraba la métrica de rendimiento de la base de 7.9 a cerca de 30. Optimizar estos algoritmos fundamentales proporcionó una aceleración de 4x tanto en el entrenamiento como en la inferencia de MLFF. Esta aceleración permite a los investigadores comprimir los plazos de selección molecular y beneficia directamente a varias áreas clave de investigación: Descubrimiento de fármacos: Identificación rápida de candidatos terapéuticos viables para abordar necesidades médicas urgentes. Diseño de catalizadores: Desarrollo de procesos químicos eficientes para aplicaciones industriales. Desarrollo de materiales: Diseño de materiales de próxima generación con propiedades personalizadas para electrónica y almacenamiento de energía. La próxima evolución Schrödinger planea aplicar este enfoque evolutivo a núcleos personalizados de GPU para probar si el código generado por IA puede superar a las implementaciones diseñadas por humanos. Lea el documento técnico completo sobre AlphaEvolve para aprender cómo los agentes de IA evolutiva optimizan bases de código científicas, o contacte al equipo de IA de Google Cloud para discutir cómo acelerar sus flujos de trabajo de investigación.