Schrödinger用AlphaEvolve将分子发现提速4倍
计算化学模拟长期困于精度与速度的矛盾：经典力场快但不准，量子力学准但慢。机器学习力场（MLFF）本应是个好解法，但训练和推理卡在关键算法的代码效率上。Schrödinger发现其PyTorch实现里的Ewald求和用着简单的for循环，直接拖慢了整个管线——这个循环就是那个怎么也绕不开的性能瓶颈。
他们的解法很聪明：找Google Cloud合作，引入DeepMind的AlphaEvolve——一个进化式AI编码代理，专门生成并迭代优化代码。这个代理自动把Ewald求和从for循环替换成并行批量矩阵乘法。经过严格的多层验证（正确性和性能），程序成功率从低于1%飙到60%以上，性能指标从7.9提升到30，最终把MLFF训练和推理整体提速了4倍。
这个案例的启发很直接：AI不仅能做预测模型，还能自动优化底层的计算代码。过去依赖手工优化的算法瓶颈，现在可以交给AI代理去搜索更高效的实现路径。下一步如果能扩展到自定义GPU内核，甚至可能超越人类专家的手写水平。对任何搞大分子筛选的公司来说，这意味着研发周期可以从数月压到数天——这才是实打实的业务价值。
