计算化学在分子模拟中传统上面临速度与精度的权衡。机器学习力场（MLFF）提高了精度，但仍难以满足现代药物发现所需的海量数据。为此，Schrödinger 与 Google Cloud 合作，利用 AlphaEvolve 这一 AI 编程代理优化其 MLFF 训练流程。他们识别出邻居列表计算和 Ewald 求和为性能瓶颈。主要目标是加速 AI 模型训练，特别是针对 PyTorch 代码中计算密集的 Ewald 求和。AlphaEvolve 被 tasked 生成该算法更高效实现。系统成功通过用并行批处理矩阵乘法替换缓慢的 for 循环，进化了 PyTorch 代码中的 Ewald 求和实现。严格的评估证实了进化后代码的功能正确性与性能提升，成功率显著提高。此次优化使 MLFF 训练与推理速度提升四倍，加速了药物发现、催化剂设计及材料开发。Schrödinger 计划进一步探索这种进化方法，以优化自定义 GPU 内核。