計算化学は、分子シミュレーションにおいて伝統的に速度と精度のトレードオフに直面していました。機械学習フォースフィールド（MLFF）は精度を向上させましたが、現代の創薬に必要な膨大なデータセットには依然として苦労していました。この課題に対処するため、SchrödingerはGoogle Cloudと提携し、AIコーディングエージェントであるAlphaEvolveを使用してMLFFトレーニングパイプラインを最適化しました。彼らは、パフォーマンスのボトルネックとして、ネイバーリスト計算とEwald和の2つの主要なアルゴリズムを特定しました。主な目標は、AIモデルのトレーニングを加速することであり、特にPyTorchコードにおける計算負荷の高いEwald和を対象としました。AlphaEvolveは、このアルゴリズムのより効率的な実装を生成するタスクを与えられました。システムは、Ewald和のために遅いforループを並列バッチ行列乗算に置き換えることで、PyTorchコードを正常に進化させました。厳密な評価により、進化させたコードの機能的な正しさとパフォーマンスの向上が確認され、成功率は大幅に増加しました。この最適化により、MLFFのトレーニングと推論が4倍高速化され、創薬、触媒設計、材料開発が加速されました。Schrödingerは、カスタムGPUカーネルの最適化のために、この進化的なアプローチをさらに探求する予定です。