在這個基礎研究領域，字節默默干了五年

圖源：Gemini

導讀
有很多企業在做 AI for Science，但大多聚焦于醫藥、材料和大數據等實用方向，而在量子科學這種超硬核基礎研究方向的探索非常難能可貴。

撰文 |袁嵐峰

如果問近年來最熱的科學領域是什么，那無疑是人工智能。不過，人工智能最大的用處是什么呢？

現在的最新趨勢是，科學。

這話的意思是，大家逐漸認識到，最值得用AI去追求的東西就是科學成果，即AI for science，這比用AI聊天有價值得多。聊天聊得再好也不能產生新的知識，而科學是真能改變世界的。從科學到AI，又從AI到科學，閉環了。

有一點大多數人會感到吃驚的是，AI for science這個詞是中國科學家提出來的！不久前，我在跟東方衛視合作的《錨點》節目中訪問北京科學智能研究院理事長張林峰博士時談到，2018年，中國科學院院士鄂維南和湯超等人在北京大學組織了一次會議，這個會議的名稱就是AI for science。

鄂維南院士是著名的應用數學家、我的科大師兄，他在深度學習剛出來的時候就敏銳地意識到，許多領域的困難都可以歸結為維數災難，而深度神經網絡正是提供了一個克服維數災難的機會，因為它是一種逼近高維函數的方法。在他的指導下，張林峰等年輕科學家取得了很多突破，例如把高精度分子動力學模擬的原子數一下子提高了五個量級，獲得2020年戈登·貝爾獎，這個獎被稱為高性能計算應用最高獎。

這方面的研究對我來說其實非常熟悉，因為我的專業叫做理論與計算化學，分子動力學就是其中的一部分。理論與計算化學還有一部分叫做量子化學，即用量子力學原理直接計算原子分子體系的性質。今天，我們就來介紹一個量子化學的最新進展。

10月21日，來自字節跳動、倫敦國王學院和北京大學等單位的科學家在《Nature Communications》上發表了一篇文章，標題是《一種多分辨率、可系統改進的大規模表面化學計算量子嵌入方案》（A multi-resolution systematically improvable quantum embedding scheme for large-scale surface chemistry calculations）[1]

圖片截取自Nature Communications

實際上，這里的關鍵是“可系統改進”。量子化學計算最大的好處是算得準，能夠直接跟實驗對照，而最大的困難是計算量隨體系擴大增長得很快，所以對于比較大的體系就算不動了。

量子嵌入就是解決這個困難的一種思路，即把體系分成兩部分，對最感興趣的核心區域用高精度算法，對其他區域用低精度算法，然后想辦法把兩部分的結果縫合起來。比如說我們要研究一個分子吸附在一個表面上，那么這個分子以及它吸附的那一小塊區域就是最值得關心的，用高精度算法，離得比較遠的地方就不是那么重要，用低精度算法。

這樣的量子嵌入方案以前就有，但它們不能“系統改進”。這是因為它們用的高精度算法其實并不是那么的高精度，例如最常用的密度泛函理論（DFT），其中仍然包括一些經驗參數。它可以快速地得到一個還不錯的結果，但如果真想把誤差縮減到極小，就不知道該怎么辦了。

這篇文章的突破，就是把量子嵌入中的高精度算法換成了真正意義的高精度，它的誤差確實可以隨著計算參數的提高而下降到極低，這就是“可系統改進”。具體而言，這種算法叫做CCSD(T)，意思是包括單重激發（S）、雙重激發（D）和部分三重激發（T）的耦合團簇法（coupled cluster，簡稱CC）。在我二十多年前讀博士的時候，CCSD(T)就是最著名的精確量子化學方法，被廣泛認為是“金標準”。但它實際用得并不多，為什么？因為計算量太大了，只能處理很小的體系。

那么，這篇文章的作者是如何迎難而上的？他們的方案叫做SIE，全稱是systematically improvable quantum embedding，即“可系統改進的量子嵌入”。SIE用到很多理論方法，例如施密特分解、密度矩陣嵌入理論、浴自然軌道等等。限于篇幅，在這里不能詳細介紹。但基本圖景就是，通過這一系列理論創新，加上全面的GPU優化，他們成功地讓很大的體系都能實現CCSD(T)的精度，讓這個金標準適用到了以前不可思議的規模。

具體而言，他們用什么體系做了演示呢？是一個看起來很簡單、但計算起來一點都不容易的體系：石墨烯上吸附一個水分子。請問，這個水分子最喜歡以什么樣的構型待在石墨烯上？是兩個氫原子朝下，氧原子朝上（稱為兩腿）？還是氧原子朝下，兩個氫原子朝上（稱為零腿）？還是兩腿和零腿之間的某種狀態？

實際上，這個問題以前是眾說紛紜，不同的作者給出不同的結果。這是因為他們用的算法不同，模型大小也不同。請注意，我們其實沒法模擬一個單個水分子加無窮多個碳原子的體系，我們能模擬的總是有限大小的體系。因此，這就存在一個體系規模收斂性的問題，只有當模型足夠大，我們看到吸附能的計算值收斂了，才能相信結果的可靠性。但以前的計算要不就是模型不夠大，要不就是算法不夠精確，所以沒有一個真正達到收斂的。

在這樣的背景下，我們的SIE立功了。它把碳原子的數目擴展到了384，再加上一定的外推，求出了兩腿和零腿以及其他若干種構型在體系無限大時的吸附能。在外推的過程中發現，水跟石墨烯的相互作用其實是相當長程的，作用距離超過1.8納米，這意味著需要400多個碳原子。無怪乎以前的模擬都不準，因為它們離這個規模還遠著呢！

SIE既然在高精度下算出了各種構型在體相極限時的吸附能，那就可以比較誰高誰低了。你猜結果是什么？是各種構型的吸附能都幾乎相等！也就是說，水分子可以在石墨烯上自由翻滾，并不像以前想的那樣傾向于某個構型。

從定性的角度看來，我覺得這個結果其實是相當符合直覺的。因為石墨烯沒有極性，所以水分子在上面沒有個偏好的角度，這很合理。而在一些極性表面，例如氮化硼或過渡金屬二硫屬化物，水分子就有傾向性了，這同樣也很合理。

但這個計算絕不僅僅是得出了一個符合常理的結果，因為還有一些現象亟待SIE去解決。例如2022年發現了一種現象叫做量子摩擦，意思是碳納米管內水分子流動受到的摩擦，隨著碳納米管直徑的縮小是會降低，而不是升高。要理解這種現象，顯然直覺就不夠了，需要對很大的體系做十分精確的量子化學計算，這正是SIE有望大顯身手的地方。

這項研究還有一個十分有趣的地方，就是第一單位是字節跳動這個企業。多年來，人們的印象是許多外國企業愿意投資做基礎研究，例如貝爾實驗室、IBM、谷歌，而中國企業大多只愿意做應用研究，能立刻賺錢的。但在AI for science的時代，像字節這樣的中國企業在基礎研究方面也大有進步。

實際上，字節跳動的AI for science研究從2021年就開始了。他們的代表性成果，除了這篇SIE，還有一大類是基于神經網絡的量子蒙特卡洛方法（NNQMC）。前面我們說的CCSD(T)和DFT都是確定性算法，而量子蒙特卡洛是一種隨機性算法，天然適合AI應用，所以近年來得到了巨大的關注。

NNQMC最大的好處，就是它算得特別準。有一個重要的指標叫做“化學精度”（chemical accuracy），一般取為1 kcal/mol，意思是對能量的計算精確到這個程度，就跟實驗相當甚至比實驗更高了。CCSD(T)之所以被稱為金標準，就是因為它能系統地達到化學精度。但NNQMC更厲害，字節跳動的科學家發現，隨著神經網絡規模和計算資源的增加，它的精度能夠持續提升，甚至比化學精度還高一個量級。[2][3]

圖片截取自Nature Communications

由此可見，NNQMC有巨大的潛力，唯一的缺點就是算得慢。其實它大部分計算量，都消耗在計算二階導數（即Laplacian）。字節跳動團隊對此設計了一套前向傳播計算框架，叫做Forward Laplacian，使NNQMC達到了十倍加速，從而能處理上百電子的體系[4]。這個框架已經廣泛被業界采用，例如谷歌DeepMind 2024年在《Science》發表的NNQMC工作中，就用到了Forward Laplacian。

圖片截取自Nature Machine Intelligence

還有一個有趣的發展是，NNQMC以前只能計算分子體系，字節跳動團隊把它推廣到了擴展體系。[5]例如大家可能都聽說過魔角石墨烯體系，即兩層轉過特定角度的石墨烯摞在一起，聽說過曹原等人在魔角石墨烯體系中發現了超導性。字節跳動團隊把NNQMC用到了這個體系，從而能夠研究其中的量子霍爾效應和拓撲絕緣體等神奇性質。[6][7][8]

圖片截取自Nature Communications

作為量子化學專業的，我對這些進展十分感興趣，因為愿意啃這種硬骨頭的太少了。目前可以說有很多企業在做 AI for science，但大多聚焦于醫藥、材料和大數據等實用方向，而在量子科學這種超硬核基礎研究方向的探索非常難能可貴。工欲善其事，必先利其器，在基礎研究方面的突破，必將在將來帶來更大的收獲。

最后，我們來看一下大圖景。AI for science是由中國科學家提出的，中國企業正在把它迅速推向前進。我們期待更多的人和組織對AI for science做出貢獻，把人類文明推到新高度。

作者簡介：
袁嵐峰，中國科學技術大學合肥微尺度物質科學國家研究中心副研究員、科技傳播系副主任、科學傳播研究與發展中心副主任。

參考文獻：

• [1]https://www.nature.com/articles/s41467-025-64374-2
• [2]https://www.nature.com/articles/s41467-023-37609-3
• [3]https://arxiv.org/abs/2508.02570
• [4] https://www.nature.com/articles/s42256-024-00794-x
• [5] https://www.nature.com/articles/s41467-022-35627-1
• [6] https://www.nature.com/articles/s42005-025-02282-z
• [7]https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.134.176503
• [8] https://arxiv.org/abs/2503.11756