微软使用AI加HPC分析3200万种新材料
微软与太平洋西北国家实验室合作，利用AI与高性能计算（HPC）技术对3200种新型候选材料进行建模，希望加快高效可充电电池材料的发现速度。该项目还希望进一步支撑微软的发展目标，在未来25年内将绵延250年的人类化学研究史纳入数据模型。
Azure量子元素
在本项目中，微软研究人员使用到旨在加速科学发现的Azure量子元素（Quantum Elements）平台。尽管目前只是将AI与传统HPC加以结合，但该平台的目标是在未来能兼容微软量子超级计算机。与此同时，Azure量子元素还扩大了HPC集群规模并使用AI进行高质量推理，希望为锂离子电池的研究贡献重要力量。此外，微软Copilot AI则负责简化数据处理、代码编写与模拟运行等具体操作。
Azure量子元素专注于解决大规模、高速、高准确性需求所带来的技术挑战：
- 规模：处理规模非常重要，将直接决定新的分子或材料发现的具体范围。为了将候选材料从以往的几千种扩大到数百万种，规模扩展能力至关重要。研究人员必须对足够庞大的系统进行建模，准确捕捉到材料内部缺陷或化学异质性等复杂因素。
- 速度：速度是指将特定化学模拟速度加快50万倍，借此模拟并分析材料的基本性质。更快的计算流程能够帮助研究人员高效工作。量子元素平台的目标是通过快速处理多种材料的大量模拟数据以加快发现速度，高效识别出有前途的候选材料。速度也将决定AI与HPC之间的交互效率。
- 准确性：准确性并非强调完全精确，这是因为化学系统中的某些量子力学效应只能取近似结果。目前的经典计算机还无法确切模拟这类场景，因此未来准确性的进一步提升，还有待量子计算与AI及HPC的全面结合。
从3200万种候选材料中找寻答案
微软Azure研究团队正着手探索可用于锂电池制造的理想固态电解质。该团队通过离子取代法取代了20万种已知晶体中的特定原子，并使用54种潜在电解质原子作为替代选项。在此过程中，研究人员共创造出超3200万种新材料，但如此庞大的备选库太过宽泛，需要经过进一步筛选和精简至较易管理的规模后才能移交给西北国家实验室。考虑到传统HPC物理模型不足以快速解决这样的大规模问题集，微软决定使用AI加速材料的稳定性分析。在此类项目中，AI将成为快速且强大的工具选项，可用于预测材料的电化学稳定性、带隙、电化学反应性、能量和力等材料特性。通过使用AI代替HPC模拟中的量子化学计算，微软成功将筛选速度提升至传统方法的1.5万倍。
通过这个过程，材料库被初步过滤至50万种稳定候选项。通过AI筛选流程对这50万种候选材料的进一步电化学稳定性筛选，最终得出800种有前途的候选项。尽管AI算法速度快、头饰生高，但薛定谔议程与量子力学计算仍难免会存在一些残差。正因为如此，才需要基于传统物理效应的HPC管线对剩余800种候选材料做二次处理，以进一步分析材料的物化特性。
在这一阶段，研究人员同样使用AI筛选流程来表征各种新型材料。该管线首先利用预测模型来快速评估候选项，之后再执行更准确的物理模拟验证，最后通过分子动力学研究来评估其基本动态特性与结构涨落。阶段结束时，候选材料数量已经被缩小至18种。
微软随后从中挑选6种移交给西北国家实验室的研究人员，由他们最终选出最理想的单一材料，其中锂含量较当前锂离子电池减少了70%。
广阔天地，大有可为
可以看到，AI与HPC都是项目中重要的技术组成部分。在AI方面，研究人员使用到微软专门为分子模拟和能量/力预测而设计的管线。HPC则负责支撑涉及AI模拟结果与量子化学计算的传统模拟环节。
可以想见，整个新材料发现过程之繁复、数据处理量之庞大。为了简化流程，基于大语言模型的AI辅助工具消除了其中种种困难障碍，同时也代替人类专家解决了类型筛选与分步计算任务。AI辅助工具还能快速为科学家们提供配置工具并设计功能组合，大大加快了科学研究中各类复杂流程的推进速度。
凭借微软Azure量子元素平台，3200万种新型候选结构的创建和800种稳定材料的挑选仅耗时一周。微软估计，如果没有AI技术的加持，纯人力需要20年才能完成这样的筛选过程。
更值得期待的是，随着时间推移，整个过程的执行效率将越来越高。Azure量子元素平台还为现有量子硬件预留了量子计算实验接口。这样当微软的量子超级计算机最终部署落地后，该平台将优先访问量子算力。随着规模化量子计算开始发挥实际作用，相信这项技术将为高度复杂化学系统中的力效应与能量建模提供突破性的精度保障。由此带来的现有经典计算机无法实现的宝贵见解，有望在材料科学、制药等领域交付更多前所未有的新成果。也正因为如此，微软量子元素项目的影响已经远远超出新型电池锂材料的研究范畴，必将给各行各业带来无穷无尽的探索空间。