How Schrödinger sped up molecular discovery by 4x with Alphaevolve

如何通过 Alphaevolve 将分子发现速度提升 4 倍 | Google Cloud 博客

AI 与机器学习

Schrödinger 如何通过 Alphaevolve 将分子发现速度提升 4 倍

2026 年 7 月 1 日

##### Kartik Sanu

谷歌项目经理

##### Anant Nawalgaria

谷歌 AI 产品管理与工程师负责人

##### 今天试用 Gemini Enterprise Business Edition

职场 AI 的入口

立即试用

计算化学研究者在模拟分子相互作用时，传统上面临一个令人沮丧的权衡：使用快速但牺牲精度的经典力场，或依赖计算速度过慢的高精度量子力学方法。

机器学习力场（MLFF）通过在高保真量子数据上训练神经网络，填补了这一空白。然而在现代药物发现和材料设计领域，处理海量化学库需要更快的处理速度。为突破性能限制，Schrödinger 与 Google Cloud 合作部署了 AlphaEvolve——由 DeepMind 开发的进化型 AI 编程代理，该系统通过迭代生成和优化算法，寻找最高效的代码路径以突破算法瓶颈。

与 AlphaEvolve 的协作实践

作为一家拥有三十余年科学软件开发经验的领导者，Schrödinger 在其 MLFF 训练流程中识别出两个关键算法限制了性能：邻近列表计算和 Ewald 求和。这些算法需要聚合原子邻近数据并计算长程势能，但都成为训练和推理速度的瓶颈。

Schrödinger 的核心技术目标是加速能量和力计算的 AI 模型训练，特别针对 Ewald 求和——分子力学中关键但计算密集的函数。在 Schrödinger 的 PyTorch 代码中，Ewald 求和是主要性能瓶颈。该算法缺乏成熟向量化实现，通常依赖运行缓慢的简单 for 循环。

通过引入 AlphaEvolve，系统能够生成基于并行批量矩阵乘法的 Ewald 求和批量实现。这将进化出超越现有自定义内核的 PyTorch 代码。

评估指标

Schrödinger 使用严格的多层评估框架验证进化代码的性能和科学准确性：

• 倒置时间（主要指标）：核心目标是通过减少计算时间提升吞吐量，基准值为 7.9。

• 功能正确性：所有进化程序必须通过完整测试套件，包括对复杂系统（如无序水模型）的回归测试。

• 成功率：通过衡量同时满足功能正确性和优于基准速度的程序占比进行评估。

“AlphaEvolve 让我们以前所未有的速度和效率探索更大的化学空间。更快的 MLFF 推理具有实际商业价值，可缩短药物发现、催化剂设计和材料开发的研发周期，使企业能够在数天内而非数月内筛选分子候选物。” —— Schrödinger 机器学习技术负责人 Gabriel Marques

结果：4 倍加速与突破瓶颈

通过应用 AlphaEvolve，Schrödinger 将 Ewald 求和代码中简单的 for 循环替换为并行批量矩阵乘法。这一优化使程序成功率从不足 1%（5,000 次评估中 40 次成功）提升至超过 60%，同时将性能指标从基准值 7.9 提升至近 30。

优化这些基础算法使 MLFF 训练和推理速度均提升了 4 倍。这种加速使研究人员能够压缩分子筛选时间线，并直接惠及多个关键研究领域：

• 药物发现：快速识别可行的治疗候选物以应对紧迫的医疗需求。
• 催化剂设计：开发适用于工业应用的高效化学工艺。
• 材料开发：设计具有定制特性的下一代材料，用于电子和能源存储。

下一步发展

Schrödinger 计划将这种进化方法应用于自定义 GPU 内核，测试 AI 生成的代码是否能超越人工编写的实现。

阅读完整的 AlphaEvolve 技术论文，了解进化型 AI 代理如何优化科学代码库，或联系 Google Cloud AI 团队讨论加速您的研究工作流程。

发布类别

• 人工智能与机器学习
• 客户案例
• 医疗健康与生命科学