Традиционно вычислительная химия сталкивалась с компромиссом между скоростью и точностью в молекулярном моделировании. Машинно-обученные силовые поля (MLFF) повысили точность, но по-прежнему испытывали трудности с огромными наборами данных, необходимыми для современного поиска лекарств. Для решения этой проблемы Schrödinger объединилась с Google Cloud и использовала AlphaEvolve, агент ИИ для написания кода, для оптимизации своего конвейера обучения MLFF. Они определили два ключевых алгоритма, вычисление списка соседей и суммирование Эвальда, как узкие места производительности. Основная цель заключалась в ускорении обучения моделей ИИ, в частности, ориентируясь на вычислительно затратное суммирование Эвальда в их коде PyTorch. AlphaEvolve было поручено создать более эффективную реализацию этого алгоритма. Система успешно развила код PyTorch, заменив медленные циклы for параллельным пакетным матричным умножением для суммирования Эвальда. Тщательная оценка подтвердила функциональную корректность и улучшение производительности разработанного кода, при этом процент успешных результатов значительно увеличился. Эта оптимизация привела к четырехкратному ускорению обучения и инференса MLFF, ускоряя поиск лекарств, разработку катализаторов и создание материалов. Schrödinger планирует и дальше изучать этот эволюционный подход для оптимизации пользовательских GPU-ядер.