Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Квантхимическую программу научились собирать под конкретную молекулу и оборудование, заранее отбрасывая медленные или недостаточно точные схемы. Хотя препринт не прошёл рецензирование и числа получили сами авторы, Born завершил крупный расчёт за 1,41 часа вместо оценённых 109 часов для универсального варианта; с учётом разработки выигрыш составил 9,8 раза. Для научных вычислений это переносит работу агента с локальной оптимизации к выбору всей вычислительной стратегии до дорогого запуска.
Как Born выбирает стратегию до полного расчёта
Обычный квантхимический пакет предлагает несколько заранее собранных схем. Они должны работать на разных молекулах и оборудовании, поэтому не всегда используют особенности конкретной задачи.
Born разбирает такую схему на независимо настраиваемые части: вычисление кулоновского взаимодействия J, обменного взаимодействия K, поиск собственных значений и обновление электронной плотности. Для каждой части можно выбрать алгоритм, численные параметры и этап расчёта, на котором она применяется. Правила совместимости сразу исключают бессмысленные сочетания.
Дальше система отдельно оценивает ошибку каждого варианта. Она строит небольшие системы, похожие на целевую локальной структурой, считает для них точный опорный результат и по очереди заменяет отдельные компоненты приближёнными. Несколько полных расчётов калибруют, как приближения меняют электронную плотность, а рост ошибки на малых системах переносят на целевой масштаб с запасом.
Время оценивают иначе. Born считает объём операций непосредственно для целевой молекулы, но не выполняет весь расчёт. Затем делит этот объём на производительность вычислительных ядер, которую измеряет короткими тестами на выбранном оборудовании. Размеры промежуточных массивов одновременно дают оценку требуемой памяти.
Из этих прогнозов система строит границу лучших сочетаний точности и времени: на ней остаются только стратегии, которые нельзя ускорить без роста ошибки. Born выбирает самый быстрый вариант, который укладывается в заданную погрешность и доступную память. Поэтому агентам для написания кода не приходится реализовывать и запускать каждую гипотезу на полном масштабе.
Агенты оптимизируют уже выбранный расчёт
После выбора стратегии Born фиксирует алгоритмы и допустимую ошибку. Агенты меняют только способ исполнения: специализируют код под известные размеры массивов, распределяют работу между CPU и GPU, устраняют повторные вычисления и начинают с компонентов, которые прогноз назвал главными задержками.
Здесь помогает статическая структура задачи. Молекула, последовательность операций и формы массивов известны до запуска, поэтому программу можно собирать почти как код для уже обученной модели. После каждого изменения Born проверяет результат и время; неверный или более медленный вариант откатывает.
На убиквитине программа закончила расчёт за 2,1 часа на одном A100. Mako показывает сопоставимый порядок времени на 64 GPU. Для дуплекса B-DNA Born потребовалось 8,1 часа против примерно 1400 часов у прогнозируемого универсального варианта.
Ускорение возникло не из одной низкоуровневой оптимизации. Для разных молекул Born выбрал разные сочетания методов J и K, разные численные сетки и разное распределение между процессором и ускорителем. Это подтверждает основную идею работы: сначала стоит выбрать вычислительную стратегию под задачу, а уже затем тратить бюджет агента на код.
Когда подход меняет планы разработки
Работа предлагает учитывать создание специализированной программы как часть стоимости самого вычисления. Если один целевой запуск занимает часы или недели, прогноз до реализации может окупить отдельную разработку даже без серии повторных расчётов. Агент в такой схеме управляет не перебором патчей, а бюджетом поиска: оценивает варианты дёшево и пишет только тот, у которого есть шанс выиграть на полном масштабе.
Подход особенно применим там, где задачу можно разложить на заменяемые компоненты, ошибку проверить на представительных малых системах, а объём операций посчитать заранее. Та же логика может работать в других научных вычислениях со статической структурой, но перенос потребует новых моделей ошибки, правил совместимости и измерителей производительности.
Проверка охватывает Hartree–Fock в гауссовом базисе на алкане, убиквитине и B-DNA, с вычислениями на одном узле CPU или CPU–GPU. Сравнение проводили с доступными схемами PySCF и с Mako; часть универсальных вариантов не запускали на целевом масштабе, а их время прогнозировали. Поэтому работа обосновывает архитектуру для крупных фиксированных расчётов, но не заменяет готовые пакеты для широкого набора меняющихся задач.
Источники
Иллюстрация: рисунок из статьи «Born for the Task: Rethinking Quantum Chemistry with Foresighted Agentic Computing», Haozhi Han, Junjie Yang, Ruge Zhang и др., CC BY 4.0
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.



