融合实验室：当AI推理、自主实验、高性能与量子计算重塑化学

# 融合实验室：当AI推理、自主实验、高性能与量子计算重塑化学
来源：https://arxiv.org/html/2609.05643
Eliu Huerta 邮箱：[[email protected]](mailto:[email protected]) 机构：数据科学与学习部，阿贡国家实验室，美国伊利诺伊州莱蒙特60439 机构：计算机科学系，芝加哥大学，美国伊利诺伊州芝加哥60637
Xiaoyun Wang 邮箱：[[email protected]](mailto:[email protected]) 机构：NVIDIA公司，2788 San Tomas Expressway，美国加利福尼亚州圣克拉拉95051
Geetika Gupta 邮箱：[[email protected]](mailto:[email protected]) 机构：NVIDIA公司，2788 San Tomas Expressway，美国加利福尼亚州圣克拉拉95051
Edward H. Sargent 邮箱：[[email protected]](mailto:[email protected]) 机构：化学系，西北大学，美国伊利诺伊州埃文斯顿60208 机构：电气与计算机工程系，西北大学，美国伊利诺伊州埃文斯顿60208
Cameron J. Owen
Victor Fung 邮箱：[[email protected]](mailto:[email protected]) 机构：Lila Sciences, Inc.，美国马萨诸塞州剑桥02142
Abhishek Mitra 邮箱：[[email protected]](mailto:[email protected]) 机构：PsiQuantum，美国加利福尼亚州帕洛阿尔托94304
Austin Cheng 邮箱：[[email protected]](mailto:[email protected]) 机构：计算机科学系，多伦多大学，Sandford Fleming Building, 10 King’s College Road，加拿大多伦多M5S 3G4 机构：Vector人工智能研究所，W1140-108 College Street，Schwartz Reisman Innovation Campus，加拿大多伦多M5G 0C6 机构：化学系，多伦多大学，Lash Miller Chemical Laboratories, 80 St. George Street，加拿大多伦多M5S 3H6
Emma Bouchard 邮箱：[[email protected]](mailto:[email protected]) 机构：化学系，梅隆科学学院，卡内基梅隆大学，美国宾夕法尼亚州匹兹堡15213
Shams Mehdi 邮箱：[[email protected]](mailto:[email protected]) 机构：化学系，梅隆科学学院，卡内基梅隆大学，美国宾夕法尼亚州匹兹堡15213

###### 摘要
本评论源于TPC26会议（https://tpc26.org/），该会议召集了来自学术界、国家实验室和工业界的领袖，他们正在重塑材料科学的发现方式。会议探讨了人工智能、自主智能体、自驱动实验室、高性能与量子计算如何融合，以增强它们各自对材料科学发现的影响力。此处的观点反映了这些前沿领域研究人员的第一手经验，并捕捉了这一全球努力的本质。随着AI驱动的推理、自主智能体框架、自驱动实验室和容错量子处理器同步成熟，我们提供这篇评论，将其视为我们认为的化学科学领域变革性进步与富有成效的颠覆的临界点参考。

###### 关键词
材料科学，人工智能，高性能计算，量子计算，智能体框架，自驱动实验室

## 引言
化学一直通过理论、计算和实验的相互作用而进步。今天，四股技术潮流正以有望彻底重新定义这种相互作用的力量汇聚：为科学推理而训练的大型语言模型（LLMs）、能够闭合假设与测量之间循环的自驱动实验室（SDLs）、以极小的计算成本近似量子精度的机器学习原子间势（MLIPs）、准备解决经典硬件无法触及的电子结构问题的容错量子计算机（FTQCs），以及作为连接组织，使所有这些不同的方法和技术进步能够整合到单一统一平台中的自主智能体框架。每一种能力本身都令人印象深刻。它们共同勾勒出化学发现的新范式：AI智能体设计实验，机器人执行实验，神经网络势函数大规模筛选候选物，量子处理器提供其他一切依赖的高保真校准数据。至关重要的是，这个范式并非静态。通过强化学习和在线学习的持续再训练，模型能够同化每一个新的实验结果和模拟结果，逐步提高预测精度，同时缩短从假设到验证发现的时间。随着这些反馈环路积累了任何单个研究人员都无法掌握的领域知识，它们能够探索超出已建立化学直觉的组分和结构空间，加速获取传统方法永远不会优先考虑的材料和分子。

## 关于化学的推理AI
大型语言模型的近期进展已远超文本生成。NVIDIA的Nemotron 3系列是针对科学推理和智能体工作流优化的开放模型。Nemotron Omni模型将推理能力扩展到包含文本、图表和表格的多模态科学文档。作为开放模型，Nemotron模型可以进行微调、本地部署，并集成到特定领域的科学流程中，这使得它们对于需要透明度、可重复性和数据隐私的研究环境具有吸引力。NeMo-RL为Nemotron的后训练提供了可扩展的强化学习基础设施。它支持现代RL算法，包括监督微调（SFT）、直接偏好优化（DPO）、群组相对策略优化（GRPO）和DAPO，同时利用Megatron-Core在从单个GPU到数百个加速器的集群上实现高效的分布式训练。这使得科学推理模型能够使用来自模拟或真实科学环境的反馈进行持续改进。NeMo-RL Gym是一个用于构建语言智能体强化学习环境的开源框架。它将智能体循环分离为模块化组件，包括模型服务器、智能体编排、任务资源、工具执行和奖励验证——使研究人员能够快速开发特定领域的环境。这种模块化设计使研究人员能够使用涉及多步推理、外部工具、数据库和迭代决策的现实科学工作流来评估和训练模型。从概念上讲，该生态系统可视为三个互补层。Nemotron提供推理模型，NeMo Gym定义模型学习的交互式科学环境，NeMo-RL提供通过强化学习改进模型的可扩展优化框架。它们共同提供了一个用于开发科学AI智能体的端到端技术栈。在LabBench基准测试套件上，Nemotron 3 Nano Omni模型在视觉科学问答和文献检索任务上匹配或超越了GPT-4o-mini，在文献检索上达到了89%的预言分数，而专有基线为87%。至关重要的是，这些模型是开放权重的，使科学界能够在不依赖商业API的情况下进行微调、审计和部署。这一发展对化学具有重大意义的并非原始基准性能，而是训练方法。NeMo-Gym将特定领域的RL环境（如Ether0化学环境）与可扩展的训练基础设施相结合，该基础设施支持在从单个GPU到数百个节点的集群上运行包括GRPO和DAPO在内的算法。通过自定义logit处理器实现的推理预算控制，允许模型学会何时停止思考，产生更短但更准确的推理链，而不是默认冗长的思维链痕迹。这种效率至关重要：嵌入在自驱动实验室中的AI智能体无法在有数百个实验等待调度时，花费数分钟来审议每个决策。开放权重模型与开源强化学习基础设施的可用性，使得可重复的科学研究成为可能，并促进了社区驱动的改进，而这在使用专有闭源API时是难以实现的。

## 闭合循环：自驱动实验室
自主实验的愿景已从概念发展为可运行的现实。Sargent及其同事建立了一套包含七个SDL的套件，涵盖无机材料、有机小分子、药物化学、聚合物、制剂、有机模拟系统和规模放大。在一个针对CO2电还原催化剂的最新演示中，该团队结合了金属合金粉末的机器人合成、在两小时内并行测试30种催化剂的膜电极组件测试，以及基于AdsorbML流程导出的分类组成特征和热力学描述符训练的玻璃箱机器学习分类器。关键创新不仅在于自动化本身，更在于将人类领域专业知识集成到学习循环中。通过使用GAM Changer界面，科学家能够检查并直接编辑分类器的形状函数，将关于吸附中间体（如*CO和*CHO）的化学直觉注入模型。这种“可编辑的玻璃箱”方法将发现创纪录性能的丙烯选择性催化剂所需时间从估计的传统实验60周缩短到仅5周。然后，对累积数据进行的SHAP分析产生了可检验的机理假设：有利于低ΔE*CHO−*CO的催化剂通过费托合成类*CH_x路径促进丙烷生成，而具有高值的催化剂则通过*CO二聚和C-C偶联促进丙烯生成。在卡内基梅隆大学，AI科学铸造厂将SDL概念更进一步，通过大规模提供共享基础设施：60,000平方英尺的机器人集成实验室空间，容纳超过80台主要仪器，由自主科学加速平台（ASAP）统一管理。ASAP具有一个AI-IDE，可将自然语言实验目标转换为仪器指令，用于预执行模拟和危险检查的数字孪生，以及在工作站之间运送样品的移动机器人。这种“云实验室”模式解决了一个多世纪以来制约实验科学的瓶颈：发现的步伐一直由一位研究人员、一个实验台、一次实验设定。

## 机器学习势：跨越尺度
SDL生成候选物；在宝贵的机器人时间被投入之前，必须有人通过计算来评估它们。MLIPs已成为连接力场速度与量子化学精度的桥梁。由卡内基梅隆大学Isayev及其同事开发的AIMNet2是第二代基础MLIP，覆盖常见的非金属和卤素元素，具有杂化DFT级别的精度。AIMNet2在单个GPU上可在几秒内预测能量、力、部分电荷等，其系统规模扩展接近线性，并能实现使用密度泛函理论（DFT）难以进行的高通量构象筛选。AIMNet2的核心设计原则是将物理直接嵌入架构，例如显式电荷平衡、库仑相互作用和色散校正，而不是依赖纯黑盒。这使模型保持轻量和快速，同时保持有竞争力的精度，使预训练骨干可以针对不同应用进行微调，例如溶剂化建模、反应网络发现、金属催化反应以及小分子的生成式设计。例如，标准MLIP在近平衡几何上训练，在键断裂和形成时会灾难性地失败，因为沿反应坐标遇到的原子环境与稳定构象中的根本不同。AIMNet2-Rxn通过针对任务的模型解决了这一差距，该模型在键断裂和键形成操作上进行训练，例如，在著名的Diels-Alder热化学上实现了0.5 kcal/mol以内的精度，在650个反应中正确区分了内型与外型选择性和区域选择性。另一个微调模型AIMNet2-Pd将AIMNet2的覆盖范围扩展到工业中相关的钯催化交叉偶联反应，例如，在CPU上几分钟内准确描述整个Suzuki-Miyaura催化循环的几何结构，而DFT则需要数小时。这些MLIP不仅仅是更快地近似DFT；它们实现了质的全新的工作流程，特别是当与不确定性估计配对以了解模型何时可以被信任时。当SDL需要评估数千种候选催化剂时，MLIP可以作为第一道计算过滤器，标记有前景的组分供机器人合成，同时将电子结构复杂的情况路由到更高保真度的方法。

## 量子计算：高保真锚点
在玻恩-奥本海默近似内对分子和材料性质的准确预测，基于求解多电子薛定谔方程。在固定轨道基组内，精确解是全组态相互作用（FCI），其计算成本随系统规模组合增长。因此，实际计算依赖于诸如DFT、组态相互作用、耦合簇理论、微扰理论、密度矩阵重整化群和量子蒙特卡罗等方法的可处理实现。在实践中，这些实现涉及近似、截断或有限资源限制，导致精度和计算成本之间的权衡。在此背景下，“高保真”指的是能够以系统可控的误差逼近所选有限基电子哈密顿量的精确解的能力。容错量子算法提供了达到这种FCI质量能量的途径，其资源需求随系统规模和目标精度的倒数多项式增长。PsiQuantum正在构建一个基于...