一直以來，人們都希望從第一性原理、從薛定諤方程這種最基本的規律出發，求解材料、藥物、化工等普遍關心的微觀世界的秘密。但由於算法過於複雜，哪怕用超級計算機，也只能算幾十個、幾百個原子規模的體系，但一個蛋白，加上周圍的環境，至少幾萬、幾十萬個分子。換句話說，即便人類熟知微觀世界的基本規律，但微觀世界的複雜現象依舊無法用計算機模擬。
如何決定一款藥物或者材料的性能，是一個原則上可算但實際上因複雜度太高做不了的事情。這個難點，正是AI可以發揮作用的起點。
張林峰表示，微觀世界的數據通過AI學習，能夠讓AI掌握相應應用方向的物理規律。同時，AI也能做更大規模、更長時間尺度的計算，然後在高性能計算的優化下達到新的極致。
最終，項目團隊通過機器學習將分子動力學極限從基線提升到了1億原子的驚人數量，同時仍保證了從頭算的高精度，效率是之前人類基線水平的1000倍。這是第一次把AI和物理規律、物理方程以及高性能計算緊密的結合。
回溯過往，戈登·貝爾獎的評選一直鼓勵用最大規模的高性能算力去做最好的應用。張林峰團隊的項目之所以獲獎，其更大的意義就是能解決實際問題，並把相關行業的人才聚合到一起。
張林峰用“重構”這個關鍵詞定位這項獲獎成果的核心意義。“它更廣泛的影響在於學科的重構。其實所有這些行業已經因為AI和計算能力的提升被重構了。這樣的重構，也意味著人們的知識體系、協同模式以及復合學科的重組。”過去，數理化、計算機、生物醫藥和材料都是分散的學科，這些學科之下又分了很多類型，這些細分類型零散分布於這些學科下設的三級目錄中。而基於AI的分子動力學模擬方法，將精確的物理建模帶入到更大尺度的材料模擬中，為打通力學、化學、材料、生物乃至工程學科，解決實際問題發揮出積極作用。
|
