最值得人工智能做的是什么？是科学本身

合集 · 解读科技问题 (79)

Description
有一点大多数人会感到吃惊的是，AI for science这个词是中国科学家提出来的！不久前，我在跟东方卫视合作的《锚点》节目中访问北京科学智能研究院理事长张林峰博士时谈到，2018年，中国科学院院士鄂维南和汤超等人在北京大学组织了一次会议，这个会议的名称就是AI for science。
鄂维南院士是著名的应用数学家、我的科大师兄，他在深度学习刚出来的时候就敏锐地意识到，许多领域的困难都可以归结为维数灾难，而深度神经网络正是提供了一个克服维数灾难的机会，因为它是一种逼近高维函数的方法。在他的指导下，张林峰等年轻科学家取得了很多突破，例如把高精度分子动力学模拟的原子数一下子提高了五个量级，获得2020年戈登·贝尔奖，这个奖被称为高性能计算应用最高奖。
这方面的研究对我来说其实非常熟悉，因为我的专业叫做理论与计算化学，分子动力学就是其中的一部分。理论与计算化学还有一部分叫做量子化学，即用量子力学原理直接计算原子分子体系的性质。今天，我们就来介绍一个量子化学的最新进展。
10月21日，来自字节跳动、伦敦国王学院和北京大学等单位的科学家在《Nature Communications》上发表了一篇文章，标题是《一种多分辨率、可系统改进的大规模表面化学计算量子嵌入方案》（A multi-resolution systematically improvable quantum embedding scheme for large-scale surface chemistry calculations）（https://www.nature.com/articles/s41467-025-64374-2）。呃，这说的是啥？
实际上，这里的关键是“可系统改进”。量子化学计算最大的好处是算得准，能够直接跟实验对照，而最大的困难是计算量随体系扩大增长得很快，所以对于比较大的体系就算不动了。
量子嵌入就是解决这个困难的一种思路，即把体系分成两部分，对最感兴趣的核心区域用高精度算法，对其他区域用低精度算法，然后想办法把两部分的结果缝合起来。比如说我们要研究一个分子吸附在一个表面上，那么这个分子以及它吸附的那一小块区域就是最值得关心的，用高精度算法，离得比较远的地方就不是那么重要，用低精度算法。
这样的量子嵌入方案以前就有，但它们不能“系统改进”。这是因为它们用的高精度算法其实并不是那么的高精度，例如最常用的密度泛函理论（DFT），其中仍然包括一些经验参数。它可以快速地得到一个还不错的结果，但如果真想把误差缩减到极小，就不知道该怎么办了。
这篇文章的突破，就是把量子嵌入中的高精度算法换成了真正意义的高精度，它的误差确实可以随着计算参数的提高而下降到极低，这就是“可系统改进”。具体而言，这种算法叫做CCSD(T)，意思是包括单重激发（S）、双重激发（D）和部分三重激发（T）的耦合团簇法（coupled cluster，简称CC）。在我二十多年前读博士的时候，CCSD(T)就是最著名的精确量子化学方法，被广泛认为是“金标准”。但它实际用得并不多，为什么？因为计算量太大了，只能处理很小的体系。
那么，这篇文章的作者是如何迎难而上的？他们的方案叫做SIE，全称是systematically improvable quantum embedding，即“可系统改进的量子嵌入”。SIE用到很多理论方法，例如施密特分解、密度矩阵嵌入理论、浴自然轨道等等。限于篇幅，在这里不能详细介绍。但基本图景就是，通过这一系列理论创新，加上全面的GPU优化，他们成功地让很大的体系都能实现CCSD(T)的精度，让这个金标准适用到了以前不可思议的规模。
具体而言，他们用什么体系做了演示呢？是一个看起来很简单、但计算起来一点都不容易的体系：石墨烯上吸附一个水分子。请问，这个水分子最喜欢以什么样的构型待在石墨烯上？是两个氢原子朝下，氧原子朝上（称为两腿）？还是氧原子朝下，两个氢原子朝上（称为零腿）？还是两腿和零腿之间的某种状态？
实际上，这个问题以前是众说纷纭，不同的作者给出不同的结果。这是因为他们用的算法不同，模型大小也不同。请注意，我们其实没法模拟一个单个水分子加无穷多个碳原子的体系，我们能模拟的总是有限大小的体系。因此，这就存在一个体系规模收敛性的问题，只有当模型足够大，我们看到吸附能的计算值收敛了，才能相信结果的可靠性。但以前的计算要不就是模型不够大，要不就是算法不够精确，所以没有一个真正达到收敛的。