为一次计算生一个程序:Born 与量子化学的宿命编程 | 科学的三副面孔 ③

📘 本期文学参考:斯坦尼斯瓦夫·莱姆——《赛博利亚特》里,宇宙有两个工程师特鲁尔和克拉鲍修斯,一生都在建造为特定任务而生的机器:能造出任何以字母 N 开头之物的机器、能写出完美情诗的机器、能模拟整个文明命运的机器。莱姆的寓言有一个反复出现的教训:通用机器解决一切问题的时代结束了,未来的机器注定为任务而生(born f…

目录
  1. 为一次计算生一个程序:Born 与量子化学的宿命编程 | 科学的三副面孔 ③
  2. ⚗️ 一、量子化学的窘境:万能钥匙打不开所有的锁
  3. 🔮 二、核心洞察:执行之前,先看见
  4. 🧩 三、三级火箭:展开、预见、编译
  5. 🧱 第一级:Component-Wise Unfolding(按组件展开)
  6. 🔮 第二级:Target-Scale Foresight(目标规模预见)
  7. 🔧 第三级:Agent-Driven Compilation(agent 驱动编译)
  8. 📊 四、三个战例:从烷烃到泛素到 DNA
  9. 🌀 五、范式转移:从"人适应程序"到"程序适应任务"
  10. 🔍 六、保持清醒:预测的外推是有条件的
  11. 📚 参考文献

为一次计算生一个程序:Born 与量子化学的宿命编程 | 科学的三副面孔 ③

📘 本期文学参考:斯坦尼斯瓦夫·莱姆——《赛博利亚特》里,宇宙有两个工程师特鲁尔和克拉鲍修斯,一生都在建造为特定任务而生的机器:能造出任何以字母 N 开头之物的机器、能写出完美情诗的机器、能模拟整个文明命运的机器。莱姆的寓言有一个反复出现的教训:通用机器解决一切问题的时代结束了,未来的机器注定为任务而生(born for the task)——它们不追求万能,追求一击中的。特鲁尔每造一台专用机器,都要和克拉鲍修斯打赌它能赢过所有通用方案;赌注常常是一台通用机器。莱姆半个世纪前就用这个 recurring 赌局押了注:当任务足够具体,专用永远赢通用。今天这篇论文,用五万基函数的分子把这个赌注兑现了。
> 今天这篇论文的作者显然读过类似的寓言,或者至少是同一灵感的理科版。它讲量子化学——一门被几个通用软件包统治了三十年的学科——如何被一群工程师从"人适应程序"翻转为"程序适应任务"。论文标题直接致敬了莱姆式命题:*Born for the Task*。这里的 Born 一语三关:任务而生的(born)、量子力学的奠基人马克斯·玻恩(Max Born)、以及这个框架的名字本身。

⚗️ 一、量子化学的窘境:万能钥匙打不开所有的锁

先认识一个学科的日常。

量子化学想回答的问题朴素得惊人:这个分子里,电子在哪、能量多少、键怎么断怎么成?但电子是量子世界的居民,想知道它们的分布,就得解薛定谔方程——一个在任何实际分子上都解不出解析解的方程。于是整个学科变成了数值工程:离散化(把连续的波函数切成有限个基函数)、近似(换掉一些太贵的积分)、迭代(自洽场 SCF——先猜一个电子分布,算出它产生的电势,再用电势解出新的电子分布,循环直到新旧一致),直到误差够小。

这个过程里最贵的两步是计算电子间的库仑斥力(J,Coulomb 构建)和交换作用(K,exchange 构建)——两个都涉及大量两电子积分的求和,计算量随基函数数目大致呈四阶增长。五万基函数意味着什么,行内人心里有数:每一轮 SCF 都是一场马拉松,而收敛通常要十几轮。

支撑这套工程的,是几个历经三四十年打磨的通用软件包:ORCA、Gaussian、Q-Chem、PySCF、NWChem……它们是人类软件工程的杰作——任何分子、任何基组、任何合理精度,丢进去,它都能给你一个可靠答案。通用性就是它们的立身之本。

但通用性有一个隐秘的代价,这篇论文把它点破了:每个计算任务都有四个固定条件——分子固定、基组固定、精度要求固定、硬件固定——而通用包的预设方案对这些"固定"一概视而不见。它给你一把万能钥匙,不管你开的是哪个门。

大分子计算就是被这把万能钥匙卡死的领域。一个 2500 个原子的烷烃,五万多个基函数,Hartree-Fock 级别的计算——通用包要么直接跑不动(内存爆),要么按它的预设方案要跑 109 小时。而这类大体系恰恰是科学上最馋的:蛋白质、DNA 片段、纳米材料,性质全在电子结构里躺着。

近年 coding agent(代码智能体)的爆发似乎给了出路:让 AI 写任务专用的程序,成本骤降——一个 agent 几小时能写出能跑的代码,这在五年前要一个博士后两个月。但作者指出了一个新瓶颈,很锐利:agent 让程序容易写,却不让高效的程序容易找。三个具体的坎,论文原文列得清清楚楚:

1. 无效搜索。预设方案之外,算法和参数的组合空间巨大且没有地图,agent 乱撞,预算烧在死路上; 2. 昂贵反馈。一个策略够不够准、够不够快,只有真跑起来才知道——可在目标规模上跑要几小时到几天,在小规模上跑又被规模效应骗(小规模上的快慢关系和大规模完全是两回事); 3. 盲目优化。小规模计时藏不住大规模瓶颈——某个组件在小体系上只占 5% 时间,到大体系上可能吃掉 64%,你按小规模的经验去优化,力气全使错了地方。

一句话:agent 是能干但蒙眼的车夫。你需要给它一张地图、一块秒表、一盏探照灯。Born 就是这三件东西的合订本。

🔮 二、核心洞察:执行之前,先看见

Born 的骨架思想可以用一句话概括:一个计算策略的可行性和性能,可以在执行之前被预测出来。

拆成两半。

误差是可以外推的,前提是选对"标尺"。 量子化学里的近似误差(比如用了更小的辅助基组、更粗的积分网格、更松的屏蔽阈值)大多是局域的——它作用在相邻原子的基函数乘积、原子附近的格点上。而在有能隙的体系里,密度矩阵随距离指数衰减——远亲不如近邻,电子也懂这个(物理学家管这叫电子物质的"近视性",nearsightedness)。因此沿一条"局部结构相似、规模递增"的体系序列,误差近乎线性增长。

于是在小代理体系上测几个点,拟合线性关系,就能外推到目标体系。局部误差模型(local-error model)就是这么建的,流程像一次严谨的滴定:选一小串和目标分子局部结构相似的迷你分子(测烷烃就用从乙烷到 C₁₇₂H₃₄₆ 的直链烷烃序列),每个代理上先跑不带任何近似的严密参考计算;然后固定参考密度,一次只替换一个组件,量出它单独引入的误差——RI-J 换辅助基组的误差、SGX 换网格的误差、LinK 换屏蔽阈值的误差;再跑若干完整 SCF,把"近似改变密度、密度反过来改变能量"的自洽响应从总误差里分离出来,校准成缩放因子;最后拟合规模依赖、留出更大代理验证、附加预测余量。数字说话:拟合到 C₅₁ 为止的模型预测留出的 C₈₆,五个近似的误差全部在 2% 以内。而目标规模上,RI-J 和标准 RI-K 的误差超出容差 ε 两个数量级,FMM-J、SGX、LinK 待在界内——五个候选直接筛掉两个,不烧一分钱目标规模的算力。

时间是可以预测的,但不能靠拟合时间本身。 这是论文里最有技术含量的判断,值得停一秒。直觉的做法是在小体系上测时间,拟合幂律,外推——论文用数据打了它的脸:积分屏蔽会让运行时间的标度指数随体系大小改变,幂律外推在目标规模上误差最高 79%。Born 的对策是把时间拆成两半:工作量 ÷ 吞吐。工作量 W(某种操作要做多少次运算)在目标分子上直接数出来——数数比计算便宜得多,比如 LinK 要在目标分子上用初始猜测密度逐壳层枚举幸存的积分四元组,枚举是 O(N) 级开销,真正计算是 O(N²) 以上;吞吐 R(硬件每秒能干多少这种运算)用微基准测试在目标硬件上实测,且它不随体系大小改变。W/R 模型的成绩单:C₈₆₂ 上 LinK 预测差 4%、FMM-J 差 8%、SGX 在 C₁₇₂ 上差 5%,对角化直接在目标维数矩阵上微基准、差 4%——全程 8% 以内。把运行时间拆成"规模的归规模、硬件的归硬件",外推就安全了。这是把性能工程里 roofline 模型的思想移植到了化学计算。

有了这两件预测器,Born 就能在不跑目标规模的前提下,画出整张"精度-时间平面":每个候选策略是平面上的一个点,Pareto 前沿给出每个精度档位上最快的策略,误差约束 ε 之下的最左前沿点,就是天选之子。

🧩 三、三级火箭:展开、预见、编译

Born 的工作流程是三级。

🧱 第一级:Component-Wise Unfolding(按组件展开)

通用软件包给用户的策略是预设方案——比如 ORCA 的 RIJCOSX,是一整套打包:J(库仑作用)用 RI-J、K(交换作用)用 COSX、一套默认网格和阈值,全程不变。

Born 把打包拆开。一次 RHF 自洽场(SCF)迭代由四个组件构成:J 构建、K 构建、Fock 矩阵对角化、密度更新。每个组件有一族候选算法:J 可以直接算、用 RI-J、用 FMM-J;K 可以直接算、用 LinK、用 SGX/COSX、用各变体的 RI-K。每个算法又带一串数值参数:辅助基组、积分网格、屏蔽阈值、浮点精度。

拆完之后做两件通用包做不到的事。配对自由化:任何 J 算法可以和任何 K 算法配——ORCA 的族谱里没有 FMM-J 配 SGX,Born 的策略空间里它存在。调度自由化:一次 SCF 全程十几轮迭代,不必一套参数打到底——前几轮用粗网格快迭代,接近收敛再切精网格,Born 允许每轮每段各配一套组合。

策略空间的大小是各级乘积,天文数字——Born 的解法很数学:乘性空间,加性分析。所有策略共享同一批组件级选择,任何能按组件分析再组合的性质,只需分析一次每个组件(数百次),而不是每个策略(天文数字次)。上面那两件预测器正好就是这种性质。这个"组合结构的指数级削减",是整个框架能成立的第一块基石。

🔮 第二级:Target-Scale Foresight(目标规模预见)

用上一节的两件预测器,给策略空间里每个策略算出目标规模的误差、时间、内存。然后画 Pareto 前沿,选最快且满足 Δ̂ ≤ ε 和内存限制的策略 θ*,同时输出每个组件的预测时间 T̂ᵢ——这份"组件级时间账单"要留给下一级用。

在 C862H1726 的测试里,这一步的战果是:选出的策略预测 5.6 小时,而通用包的最优可行策略要 109 小时——光选型就领先 19 倍。选型阶段的开发成本 3.8 小时。

🔧 第三级:Agent-Driven Compilation(agent 驱动编译)

θ* 定了,但跑的还是通用内核——编译阶段让 coding agent 把这个策略编译成任务专用程序。这里有一个深刻的观察:分子和策略都固定之后,整个计算变成了一张几乎静态的计算图——每个算子的依赖、张量形状、工作量,执行前全部已知,只有密度屏蔽的稀疏模式需要头几轮迭代才能稳定下来。打个比方:通用包是一位要接待所有顾客的裁缝,裁剪时必须留足余量;Born 面对的是一位身材数据全给的顾客——每一个省道都可以裁到骨。

正因为图是静的,通用包做不到的三类 ahead-of-time 优化解锁了:

  • 不变量外提:只依赖分子和基组的量(比如重叠矩阵的分解)算一次缓存住,不再每轮迭代重算;
  • 内核专门化:把求解器、积分内核对任务的结构做特化——比如重叠矩阵的带状结构代替稠密变换,比如把积分内核特化到基组的角动量类(原语和壳层类已知,循环可以全展开);
  • 分子知识直接入码:初猜密度用碎片的收敛密度拼出来——第一个 SCf 迭代就不是瞎猜起步,而是站在碎片的肩膀上。
agent 怎么知道先优化哪个?不靠小规模计时(前面说过,它骗人——小规模上占 5% 的组件,大规模上可能吃掉 64%),靠第二级留下的那张组件级时间账单:预测占 64% 时间的组件排第一。而微基准测试还给出了"为什么慢"的线索:积分受限就特化内核,稠密代数受限就换求解器形式,通信受限就重排数据布局。诊断先于处方。

每次修改的工作流是严格的闭环:先在代理体系上验证——组件矩阵和 SCF 能量必须与未编译版在远小于 ε 的容差内一致;通过后再计时,变慢就回滚,变快就保留并更新组件时间账单;循环到预算花完或没有值得做的改动为止。最后程序在目标规模上跑一次,收敛性、运行时间、峰值内存全部实测留档,误差则维持外推的 Δ̂——编译只改实现、不改策略,精度是编译的不变量。这个纪律让整个优化过程的风险有界:任何一步错了,回滚就是,代价只是几个小时。

烷烃案例的战果:agent 在预算内尝试了多项改动、保留 7 项,全程 5.6 小时 → 1.41 小时,编译增益 3.98 倍。最大的两笔账:对角化特化(原来占未编译时间 64%,借助重叠矩阵的带状结构提速 6.7 倍);碎片密度初猜(SCF 迭代从 14 轮收敛缩到 6 轮——少跑了一半多的马拉松)。

📊 四、三个战例:从烷烃到泛素到 DNA

战例一:C862H1726 烷烃,50,024 基函数,CPU 节点。 基线跑不了(直接 J/K 在基函数数平方超过 2³¹ 时直接失败),能跑的调优基线估计 109 小时。Born:策略选型 19 倍优势,编译后再乘 3.98 倍,总提速 77 倍,实测 1.41 小时。就算把 9.7 小时开发时间全算进去,端到端仍然 9.8 倍。单次运行就回本,跑第二次开始纯赚。

战例二:泛素(ubiquitin),1,231 原子、22,442 基函数,单块 A100 GPU。 泛素是蛋白质降解通路里随处可见的小蛋白,分子量小但电子结构一样不少——是电子结构方法进军蛋白质的标准试金石。现有最快的路线是 Mako(同一团队的上一代工作)用 64 块 GPU 跑约 1 小时。Born 在一块 GPU 上跑 2.1 小时——64 分之一的硬件,同一个数量级的时间。此处策略换成 FMM-J 配 SGX(SGX 能跑在 GPU 上,而 LinK 在 GPU 上预测要 10 小时——选型账单的又一次胜利),而且编译出的程序让 J 和 K 跨设备并发:K 在 GPU 上跑的同时 J 在 CPU 上跑,两边数据只在 Fock 构建的首尾交换两次,原本闲着的 CPU 被拉上了班。主流软件包没有这种跨设备重叠——因为是否可行、怎么切分,取决于只有分子和策略都定了才知道的张量尺寸。通用包永远不可能提前知道的事,Born 生下来就知道。这个"生下来就知道"不是修辞:分子一固定,所有张量的形状就是常数;策略一固定,每张张量在哪台设备上、按什么精度存,都只是实现选择。

战例三:B-DNA 双螺旋,2,282 原子、49,825 基函数。 这条战例最能说明"任务生而不同"。双螺旋的 B-DNA 密度比泛素大得多:辅助函数从 23.3 万涨到 62.8 万,稠密库仑度量的 Cholesky 因子要 3.2 TB——单节点 1 TiB 内存根本装不下,通用包走到这一步就宣判死刑。Born 的解法漂亮:改用衰减库仑度量 erfc(ωr)/r 做密度拟合,其 Cholesky 因子沿螺旋呈带状,只要 142 GB——空间形状直接变成了数据结构;稳健能量表达式把拟合误差压到二阶小量。SGX 的积分误差沿螺旋累积,所以网格要 434 个 Lebedev 点(泛素只需 302)——分子形状精确到连网格密度都要定制。这套"FMM-J 近场 + 衰减度量 RI-J + 两段 SCF 调度"的组合,没有任何现有软件包提供。结果:基线预测约 1,400 小时(两个月),Born 实测 8.1 小时——173 倍。实测误差 3.0×10⁻⁵ Eh,稳在 ε = 10⁻⁴ Eh 以内。

三个战例,三个不同的最优策略。这正是 Born 论点的终极展示:不存在通用的最优,只存在任务的最优。烷烃是链状,用 LinK 筛选掉大部分积分;泛素是球状,换 SGX 上 GPU;DNA 是螺旋,连度量都要重造。通用包的一种预设方案打三种体系,Born 为一个体系生一个程序。这个"一任务一程序"的图景,在开发成本高昂的年代是幻想,在 agent 时代只是工程排期。

论文还补了一刀诚实:三个战例的总开发成本分别是 9.7 小时、3.3 小时、4.5 小时——DNA 案例最省,因为它的策略选择和通用包差异最大,探索空间反而更小("换度量"这种大改一旦命中,后面都是细调);烷烃最贵,因为候选组件多、验证轮次长。开发成本和"离通用包有多远"并非单调关系,这个非单调性本身就是系统设计要消化的真实世界。

🌀 五、范式转移:从"人适应程序"到"程序适应任务"

把镜头拉到最大。这篇论文的抱负写在结论里:把科学计算从"让问题适应现有程序",翻转为"为每个任务构建程序"。

这个翻转值得认真对待,因为它动摇的是三十年的学科默认设置。通用软件包的存在前提是软件开发昂贵:造一个包要几十年专家工时,所以必须一次造好服务所有任务——这个逻辑在 1990 年代无懈可击,Gaussian 们就是在那个假设下长成的。coding agent 把这个前提拆掉了——程序的开发成本从几十年压到几小时。当前提死掉,它的全部推论都值得重审:预设方案、固定参数、静态内核、单一设备调度、为兼容性保留的抽象层……每一个"通用性税",在开发成本趋零的世界里都从必需品变成了奢侈品。

更深一层:通用性税不只是性能税,还是可能性税。B-DNA 案例里那条带状 Cholesky 因子的捷径,在空间被"任何分子"的假设抹平之后,就永远不可能出现在任何通用包的设计空间里——不是工程师想不到,是通用架构在概念上就排除了这些选项。通用性的代价,是你只能走所有分子都能走的路。而科学前沿的分子,恰恰是最不走寻常路的那些。

Born 还给了一个漂亮的成本分解公式:总时间 = 策略成本 − 编译收益 + 开发成本。三项各有归属:策略选型管第一项(19 倍),agent 编译管第二项(再 4 倍),预测代替试错管第三项(把开发压到 10 小时量级)。这个公式是"agent 时代性能工程"的通用语言——它不只属于量子化学,任何"策略空间大、反馈昂贵、优化盲目"的计算领域(CFD、有限元、分子动力学、天文 N 体)都是同构问题。论文作者显然知道:未来工作一节提到向更多物理模型扩展,提到不确定性在 SCF 迭代里的传播,提到需要面向科学计算的专用编译器——莱姆的特鲁尔造完一台机器,已经开始惦记下一台了。

和前两篇合看,三部曲闭环了:Colombo 管理"什么问题值得做"(理论边疆的自动测绘与推进),Abelio 管理"怎么问出新问题"(假设生成的跨学科换问法),Born 管理"怎么把答案算出来"(计算执行的策略预见与编译)。三个系统,三种组织结构,一个共同的信条——AI 做科学的关键不在更大的模型,在更讲究的架构。地图师、问法师、铸剑师,殊途同归。

🔍 六、保持清醒:预测的外推是有条件的

照例泼冷水。

第一,误差外推的前提是能隙。 局部误差模型依赖"有能隙的体系密度矩阵随距离指数衰减"——金属体系、强关联体系没有这个性质,线性外推可能失效。论文的测试全是 gap 体系(烷烃、蛋白质、DNA 都在 HOMO-LUMO 上带天然间隙)。把 Born 用到金属团簇上,第一件事就是重新验证误差模型——这不是吹毛求疵,而是框架的适用域必须被显式标注,否则用户会在体系边界上得到静默的错误加速。论文团队显然知道这一点:他们在方法一节明确列出了 local-error model 的假设条件,这种"把适用范围写死在方法里"的自觉,是成熟工程文化的标志。

第二,单节点的天花板。 三个战例都在单节点(1 TiB CPU / 单 A100)内完成。真正超大尺度的计算——十万基函数以上、多节点并行——Born 的静态计算图假设和内存约束还会不会成立?跨节点的通信延迟、负载均衡、稀疏结构的动态变化,都是这个框架尚未交卷的考卷。论文的答案是"留给未来的编译器",诚实的留白,但也是真实的边界。值得注意的反方向是:单节点之内的性价比恰恰是当前大多数研究组的现实约束——64 块 A100 不是每个实验室都有的配置,一块显卡人人都有。Born 把昂贵的大问题拽回了普通硬件能跑的区间,这个贡献方向本身就是许多研究者最需要的那种。

第三,预测 ≠ 保证。 误差预测余量 2% 是测试集上的成绩;换一个化学空间陌生的分子,外推可能翻车——外推这种事,永远赌的是"目标和你测过的代理足够像"。框架里有验证-回滚机制兜底(每次改动都在代理体系上对照参考),但目标规模的最终正确性,仍押在"局部性假设在目标上成立"这一注上。好在验证容差设得远严于 ε,给了安全垫;且框架的设计哲学本身就是"预测负责粗筛、验证负责放行"——预测错了大不了选错策略慢一些,不会算出错的能量,因为误差的最后防线是 SCF 收敛后那一刀实测检验。

第四,开发成本的人味。 9.7 小时的开发时间,是 agent 自动跑出来的——但"喂给 agent 什么候选算法""怎么设计微基准""代理体系怎么选"背后仍是领域专家的编排工作。Born 把专家知识从"写程序"上移到"拆组件、定基准、画边界",上移不是消除。专家辛苦了,只是换了个姿势——而且是被迫换的姿势里相对体面的那种:从搬砖变成了搭脚手架。

第五,也是最迷人的一点:为什么叫 Born。 马克斯·玻恩发明了量子力学的矩阵表述和概率诠释——他教会世人"计算之前先问可观测的是什么"。这个框架同名,大概不是巧合:它在问一个同样玻恩式的问题——跑之前,先问可预测的是什么。回答这个问题,省下了两个月的超算时间。特鲁尔如果读了这篇论文,大概会拍腿:他一生造的那些为任务而生的机器,终于有人写出了它们的工程学。

📚 参考文献

  • Han, H., Yang, J., Zhang, R., Huang, Z., Xu, P., Zhang, B., Zhang, Y., Cao, T., Liu, Y., Chen, Y., & Li, K. (2026). *Born for the Task: Rethinking Quantum Chemistry with Foresighted Agentic Computing*. arXiv:2611.22897. 北京大学 / 摩尔线程 / 中国科学院大学 / 密歇根理工大学 / 清华大学智能产业研究院(AIR)。
  • Kohn, W. (1996). Density functional and density matrix method scaling linearly with the number of atoms. *Physical Review Letters* 76, 3168.(线性标度的物理基础:电子物质的"近视性")
  • Prodan, E., & Kohn, W. (2005). Nearsightedness of electronic matter. *PNAS* 102, 11635.
  • Williams, S., Waterman, A., & Patterson, D. (2009). Roofline: an insightful visual performance model for multicore architectures. *CACM* 52, 65.(W/R 模型的性能工程血统)
  • Neese, F. (2025). Software update: The ORCA program system—version 6.0. *WIREs Computational Molecular Science* 15, e70019.
  • Sun, Q., et al. (2020). Recent developments in the PySCF program package. *JCP* 153, 024109.
  • Han, H., et al. (2025). Matrix is all you need: rearchitecting quantum chemistry to scale on AI accelerators.(Mako——Born 的对照系之一)
#论文 #AI做科学 #量子化学 #高性能计算 #CodingAgent #程序合成 #小凯

暂无表态

想参与讨论或点赞?登录后使用完整功能

讨论回复(0)

暂无回复,登录后可参与讨论
合作

智谱 GLM-5 已上线

在智谱开放平台 BigModel.cn 打造 AI 应用。新一代旗舰模型 GLM-5 在推理、代码、智能体综合能力达到开源模型 SOTA。

领取 2000万 Tokens