Đột phá mô phỏng phân tử: AI biến phản ứng hóa học thành phim với 100.000 nguyên tử trên một GPU

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

15/09/2026 17:58:00 Nguồn: QbitAI

Phá vỡ "tam giác bất khả thi" trong mô phỏng phân tử

Yun Zhong, đưa tin từ Aofeisi

QbitAI | Kênh chính thức QbitAI

100.000 nguyên tử, một GPU, là có thể bắt đầu chạy mô phỏng phản ứng hóa học chính xác.

Đây là quy mô tính toán mà QuantaMind – mô hình lực trường học máy phản ứng mới nhất của Molecular Heart – đang thúc đẩy.

Trong các thử nghiệm mở rộng mới nhất, QuantaMind đã có thể mô phỏng các phản ứng trong hệ thống quy mô 100.000 nguyên tử kéo dài hàng trăm nan giây với độ chính xác gần bằng tính toán hóa học lượng tử, thời gian tính toán mỗi bước chỉ khoảng 0,25 giây.

Trong nghiên cứu được công bố trên tạp chí *Science Advances*, mô hình này đã mô phỏng liên tục 6 ns trong một hệ thống enzyme thủy phân PET hoàn chỉnh gồm 17.792 nguyên tử, cho phép các quá trình chuyển proton, bẻ gãy liên kết, hình thành liên kết cho đến toàn bộ chu trình xúc tác enzyme diễn ra một cách rõ ràng từng bước trên máy tính.

AI không chỉ dừng lại ở việc "chụp ảnh" phân tử, mà giờ đây đã bắt đầu "quay phim" các phản ứng hóa học thực tế.

Bế tắc: Tam giác bất khả thi giữa độ chính xác, thời gian và quy mô

Để biến việc "quay phim" thành hiện thực, trước hết phải vượt qua "tam giác bất khả thi" tồn tại lâu nay trong lĩnh vực mô phỏng phân tử: không thể đạt được cả độ chính xác, thời gian và quy mô cùng lúc – muốn có độ chính xác thì phải hy sinh quy mô và thời gian, muốn có quy mô thì phải hy sinh độ chính xác.

Trước đây, mô phỏng phân tử chủ yếu dựa vào hai loại phương pháp tính toán, nhưng mỗi loại chỉ giải quyết được một phần của "tam giác bất khả thi".

Một loại là tính toán độ chính xác cao (như các phương pháp cơ học lượng tử), có thể nhìn rõ từng chi tiết của phản ứng hóa học, nhưng khối lượng tính toán lại cực kỳ lớn.

Chi phí tài nguyên tính toán và thời gian cho các hệ thống lớn là rất cao, khiến việc chạy trực tiếp các tính toán này trong nghiên cứu thực tế trở nên khó khăn; thông thường chỉ có thể tính toán vài trăm đến hàng nghìn nguyên tử trong những khoảnh khắc cực ngắn, chỉ bằng một phần nghìn tỷ giây.

Loại còn lại là mô phỏng phân tử truyền thống, có thể chạy với hàng chục nghìn đến hàng triệu nguyên tử trong thời gian dài hơn, quy mô lớn gấp hàng nghìn lần so với loại trên, nhưng nó giả định cấu trúc phân tử là cố định, không thể hình thành hay bẻ gãy liên kết. Các quá trình như xúc tác enzyme hay phản ứng axit-bazơ là những thứ mà phương pháp này vốn dĩ "không nhìn thấy".

Các mô hình mô phỏng phân tử AI nổi lên trong những năm gần đây đang cố gắng sử dụng mạng thần kinh để học dữ liệu tính toán độ chính xác cao, nhằm cân bằng giữa độ chính xác và tốc độ, trở thành điểm nóng được các tổ chức tiên phong quốc tế liên tục đầu tư.

Tuy nhiên, dữ liệu huấn luyện của hầu hết các mô hình chỉ đến từ trạng thái ổn định của phân tử, chưa từng thấy "khoảnh khắc phản ứng đang diễn ra", nên thường bộc lộ điểm yếu khi gặp phản ứng hóa học; hơn nữa, chúng khó duy trì sự ổn định trong các mô phỏng dài hạn đối với hệ thống sinh học lớn, khiến quy mô vẫn bị hạn chế.

Phá vỡ bế tắc: Ba bước để AI đạt được đồng thời độ chính xác, tốc độ và quy mô

Để khắc phục những nhược điểm trên của các mô hình AI, QuantaMind đã thực hiện ba việc nhằm nâng cao tốc độ và quy mô trong khi vẫn duy trì độ chính xác.

Thứ nhất, cho AI "xem" thật nhiều những khoảnh khắc "phản ứng đang diễn ra".

Nghiên cứu sử dụng dữ liệu về các khoảnh khắc then chốt của 5.286 phản ứng hóa học để huấn luyện mô hình, giúp AI thực sự nhìn thấy hình ảnh "liên kết hóa học đang bị bẻ gãy và đang hình thành".

Thứ hai, giúp AI học cách tích hợp dữ liệu tính toán từ nhiều nguồn và độ chính xác khác nhau.

Mô hình học "phong cách" của các nguồn dữ liệu khác nhau như những đặc trưng, đồng thời có thể phân bổ trọng số dựa trên chất lượng dữ liệu trong quá trình huấn luyện.

Thứ ba, để AI tự phát hiện các điểm yếu và bổ sung kiến thức một cách có mục tiêu.

Đối với các hệ thống protein và enzyme cụ thể, mô hình sẽ chạy mô phỏng trước, sau đó thực hiện tính toán độ chính xác cao cho các cấu hình mà AI chưa chắc chắn để bổ sung huấn luyện, tạo thành một vòng lặp.

Để nâng cao hơn nữa tính khả dụng của mô phỏng trong các kịch bản nghiên cứu thực tế, QuantaMind cũng đã chinh phục được chỉ số ổn định: trong các mô phỏng dài hạn, độ trôi năng lượng tổng thể của hệ thống là cực nhỏ, có thể hỗ trợ ổn định hàng trăm nan giây mô phỏng liên tục mà không bị sụp đổ.

Ba bài "kiểm tra áp lực" phản ứng cơ bản: Từ nhảy proton đến trung hòa axit-bazơ

QuantaMind trước tiên đối mặt với ba bài kiểm tra phản ứng cơ bản có tính chất hoàn toàn khác biệt:

Ba bài kiểm tra bao phủ toàn bộ phổ từ thống kê chậm, sự kiện hiếm gặp đến phản ứng siêu nhanh. Kết quả đều khớp cao với thực nghiệm, hơn nữa QuantaMind không hề được huấn luyện chuyên biệt cho các loại phản ứng này mà tự học được nhờ khả năng mô phỏng tổng quát.

Tuy nhiên, đây mới chỉ là các thử nghiệm trên hệ thống nhỏ từ vài nghìn đến vài chục nghìn nguyên tử, bài kiểm tra thực sự vẫn còn ở phía sau.

Xác thực nâng cao: Cảm nhận độ pH trong môi trường protein

Thử nghiệm ở cấp độ cao hơn tiến vào môi trường sinh học thực tế: các vị trí cụ thể trong protein sẽ thay đổi tính chất theo độ pH, từ đó ảnh hưởng đến chức năng của protein.

Mô phỏng truyền thống cần thiết lập thủ công các trạng thái này, nhưng QuantaMind thì không – nó đặt một loại protein vào môi trường dung dịch đệm gần với điều kiện thực nghiệm thực tế và chạy trong 20 nan giây, để các vị trí then chốt tự "nhận" hoặc "nhả" proton. Điểm tới hạn ước tính (5,81) rất gần với giá trị thực nghiệm cộng hưởng từ hạt nhân (5,5), cho thấy nó có thể mô tả cách môi trường thay đổi ảnh hưởng đến trạng thái vi mô của protein.

△ Mô phỏng chuẩn độ Histidine và ước tính pKa (Nguồn: Hình ảnh gốc trong bài báo)

Tiết mục chính: Mô phỏng toàn bộ quá trình xúc tác enzyme với 18.000 nguyên tử

Nếu các thử nghiệm trước chỉ là "thử sức", thì tiết mục chính thực sự chính là PETase, một loại enzyme có khả năng phân hủy nhựa PET.

QuantaMind đã thực hiện mô phỏng toàn bộ quá trình trong 6 nan giây cho hệ thống hoàn chỉnh gồm 17.792 nguyên tử (protein PETase + cơ chất + gần 5.000 phân tử nước): tất cả các nguyên tử được AI tính toán trực tiếp, không thiết lập trước bất kỳ lộ trình phản ứng nào, chạy trọn vẹn toàn bộ quá trình enzyme hoạt động.

Điều thực sự khó không phải là đưa 18.000 nguyên tử vào máy tính, mà là để chúng chuyển động liên tục trong 6 ns, đồng thời trải qua một cách tự nhiên các quá trình chuyển proton, bẻ gãy liên kết, hình thành liên kết và toàn bộ chu trình xúc tác.