北京
10万个原子，一张GPU，就能开始跑精确的化学反应。这是分子之心 QuantaMind 给出的最新答案。
按照公开信息，这套AI模型把十万原子级体系的模拟速度压到了0.25秒/步，单张GPU就能完成6纳秒的PETase催化循环模拟。传统分子模拟里那个精度、时间、规模互相拉扯的三角，被同时往外推了一截。
它到底在算什么
分子模拟长期面临一个取舍：算得准就慢，算得快就粗，想算大体系又得堆算力。QuantaMind 的思路是用AI模型来承担这部分计算，把原本需要巨大算力支撑的过程压缩到单卡上完成。
验证结果显示，模拟结果与实验高度一致。这句话的分量在于，它不只是跑得快，还要跑得对——对不上的话，速度没有意义。
更关键的是模拟的对象。PETase催化循环是一个动态过程，涉及键的断裂与形成，不是一张静态结构图能说清的。
从拍照到拍电影
训练数据覆盖了5,286个化学反应关键瞬间。模型学习的正是这些瞬间里发生的事：断键、成键，以及过程中间的动态变化。
这也是"拍电影"这个说法的由来。过去的分子模拟更像给分子拍一张照片，定格在某个结构上；现在要做的是把真实化学反应连续地拍下来，看清每一步怎么走。
数据来源并不单一。模型整合了不同精度的计算结果，把多种来源的数据当作特征输入，再按质量分配权重。这样做的目的是在保持高精度的同时，把速度和规模一起提上去。
传统模拟往往依赖固定结构假设，而多源融合加质量加权的方式，让模型不必被这个假设框住。
三个边界同时外推
从公开描述看，QuantaMind 推进的方向有三个：
- 体系规模：从万原子拓展到数十万原子，单张GPU即可运行
- 模拟时长：从数十纳秒延伸到数百纳秒
- 计算门槛：单卡可跑，不再依赖大规模集群
在实际研发场景中，这套模型已经能实现数十万原子、数百纳秒级别的模拟。规模和时间同时扩展，意味着实验室前置验证有了更扎实的计算基础。
对蛋白质设计和酶工程这类方向来说，计算门槛的下降是实打实的改变。过去受限于算力、只能做小体系短时间模拟的团队，现在有了另一种选择。
AI正在换赛道
这件事值得注意的地方，不是某个指标又刷新了，而是AI在分子领域的角色在变。
从结构预测到动态机理模拟，中间隔着的正是"过程"这两个字。结构预测回答的是分子长什么样，动态模拟回答的是反应怎么发生。后者对药物设计、酶改造这类工作的价值，往往更直接。
QuantaMind 把十万原子、单卡、0.25秒一步这几个数字摆在一起，指向的是同一个判断：AI正在从给分子拍照，转向给真实化学反应拍电影。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
