Hogyan gyorsította fel a Schrödinger a molekuláris felfedezést 4x-tel az Alphaevolve segítségével

A számítási kémia kutatói hagyományosan frusztráló választási lehetőséggel néznek szembe a molekuláris kölcsönhatások szimulálása során: gyors klasszikus erőmezőket használnak, amelyek a precizitás rovására mennek, vagy megbízható kvantummechanikai módszereket alkalmaznak, amelyek túl lassan futnak nagyobb feladatok esetén. A gépi tanulással készült erőmezők (MLFF-k) áthidalják ezt a rés a magas hűségű kvantumadatokon alapuló neurális hálózatok betanításával. Azonban a modern gyógyszerfelfedezés és anyagtervezés terén még gyorsabb feldolgozási sebességekre van szükség a hatalmas kémiai könyvtárak kezeléséhez. A teljesítménykorlátok leküzdése érdekében a Schrödinger együttműködött a Google Clouddal, hogy bevezesse az AlphaEvolve-t, egy evolúciós mesterséges intelligenciás kódoló ügynököt, amelyet a Google DeepMind fejlesztett ki. Ez iteratívan generál és finomít algoritmusokat a legjobban teljesítő kód útvonal megtalálása érdekében, így áthidalva az algoritmikus szűk keresztmetszetet. Az AlphaEvolve-dal való együttműködés keretében a Schrödinger — több mint három évtizede vezető tudományos szoftverfejlesztésben — azonosította az MLFF betanítási folyamatukban két kritikus algoritmust, amelyek korlátozták a teljesítményt: a szomszédlista számítást és az Ewald összeget. Ezek az algoritmusok az atomok szomszédaitól gyűjtenek adatokat és számítanak hosszú hatótávolságú potenciálokat, de mindkettő a betanítás és a következtetés sebességében korlátozó tényezővé vált. A Schrödinger fő technikai célja az volt, hogy felgyorsítsa az AI modellek betanítását az energia- és erőszámítások számára. Kifejezetten az Ewald összeget célozták meg, ami egy kritikus, de számításigényes függvény a molekuláris mechanikában. Az Ewald összeg volt a fő teljesítménykorlát a Schrödinger PyTorch kódjában. Nem volt érvényben lévő vektorizált algoritmus, és gyakran egyszerű for-ciklusokra támaszkodott, amelyek lassan futottak le nagy szimulációk során. Az AlphaEvolve beépítése révén a rendszer képes volt párhuzamos batch mátrix szorzás felhasználásával generálni az Ewald összeg egy csoportos megvalósítását. Ez lehetővé tette a PyTorch kód fejlesztését, hogy felülmúlja a meglévő egyedi magokat. Értékelési metrikák tekintetében a Schrödinger egy szigorú, többrétegű értékelési keretrendszert használt, hogy megerősítse, hogy az evolúciós kód mind teljesítmény, mind tudományos pontosság szempontjából megfelelő: Invertált idő (fő metrika): A középpontban az állt, hogy maximalizálják a throughput-ot a számítási idő csökkentésével, egy alapértékről, 7,9-ről. Funkcionális helyesség: Minden evolúciós programnak át kellett mennie egy teljes tesztsorozaton, beleértve a regressziós teszteket is összetett rendszereken, például rendezetlen vízmodelleken. Sikerráta: Ezt a programok arányával mérték, amelyek funkcionálisan helyesek voltak, és gyorsabbak a baseline-nál. "Az AlphaEvolve lehetővé teszi számunkra, hogy a valaha volt leggyorsabban és leghatékonyabban felfedezzük a nagyobb kémiai tereket. A gyorsabb MLFF következtetések valós üzleti hatást gyakorolnak, lerövidítve a gyógyszerfelfedezés, a katalizátor tervezés és az anyagfejlesztés kutatás-fejlesztési ciklusait, és lehetővé téve a cégek számára, hogy napok alatt válogassák a molekuláris jelölteket a hónapok helyett." — Gabriel Marques, a gépi tanulás műszaki vezetője, Schrödinger Eredmények: 4x sebességnövekedés és szűk keresztmetszetek megszüntetése Az AlphaEvolve alkalmazásával a Schrödinger egyszerű for-ciklusokat helyettesített az Ewald összegezési kódban párhuzamos batch mátrix szorzással. Ez az optimalizálás a program sikerességi arányát 1%-ról (40 a 5000 értékelésből) több mint 60%-ra növelte, miközben a teljesítménymutatót az alapértékről 7,9-ről közel 30-ra javította. Ezen alapvető algoritmusok optimalizálása 4x sebességnövekedést eredményezett mind az MLFF betanításban, mind a következtetések során. Ez a gyorsulás lehetővé teszi a kutatók számára, hogy tömörítsék a molekuláris szűrési idővonalakat, és közvetlenül jótékony hatással van több kulcsfontosságú kutatási területre: Gyógyszerfelfedezés: Az életképes terápiás jelöltek gyors azonosítása az sürgős orvosi igények kielégítésére. Katalizátor tervezés: Hatékony kémiai folyamatok fejlesztése ipari alkalmazásokhoz. Anyagfejlesztés: Új generációs anyagok tervezése egyedi tulajdonságokkal az elektronikához és energiatároláshoz. A következő evolúció A Schrödinger azt tervezi, hogy ezt az evolúciós megközelítést alkalmazza egyedi GPU magok tesztelésére, hogy megvizsgálja, vajon az AI által generált kód képes-e felülmúlni az ember által tervezett megvalósításokat. Olvassa el az AlphaEvolve teljes műszaki cikkét, hogy megtudja, hogyan optimalizálják az evolúciós AI ügynökök a tudományos kódalapokat, vagy lépjen kapcsolatba a Google Cloud AI csapatával, hogy megvitassák kutatási munkafolyamataik felgyorsítását.