让语言模型改写优化器：AutoSella 减少分子几何优化中的力计算

导语

在量子化学工作流中，找到一个分子的稳定几何结构通常需要反复移动原子、重新计算能量与受力。几何优化每前进一步，往往都要进行一次力评估；当计算采用密度泛函理论（DFT）时，这一步可能占据绝大多数运行时间。因此，减少力调用次数，通常比单纯压缩程序代码更能直接缩短整体计算成本。

一项题为《Optimizing the Optimizer: Language Models Discover Faster Molecular Relaxation》的研究，尝试把语言模型放到优化器开发环节中。研究团队没有让模型预测分子结构，而是让语言模型代理直接修改已有的 Sella 优化器，目标是用更少的力评估完成同等程度的几何弛豫。

核心要点

• 从成熟基线出发：研究以 Sella 为起点。素材将其描述为速度最快的开源分子几何优化器之一，搜索目标是进一步降低力调用次数。
• 使用低成本计算进行搜索：代理主要基于 GFN2-xTB 计算探索修改方案，而不是在昂贵的 DFT 梯度上反复试错。
• 设置两道筛选门槛：候选改动如果导致优化过早停止，或只在搜索所见分子上有效、无法推广到未见样本，就会被拒绝。这一设计旨在抑制“看起来更快”但实际上牺牲可靠性或泛化能力的方案。
• 形成 AutoSella 系列：搜索最终得到两个优化器变体。两者在留出的分子基准以及未参与搜索的势能测试中，都相对 Sella 减少了力评估。
• 跨计算层级迁移：在 r2SCAN-3c DFT 测试中，表现最好的变体只需要 Sella 约 40.2% 至 77.2% 的力调用次数，也就是减少约 22.8% 至 59.8%；同时实现相同的能量降低。值得注意的是，搜索阶段没有使用 DFT 梯度。

这项工作的意义

这项研究的关键不只是“语言模型写出了更快代码”，而是展示了一种面向科学软件的自动研究流程：模型提出算法改动，程序自动运行实验，再由预先设定的评价门槛决定哪些改动能够保留。对于优化器这类规则复杂、但又可以通过明确指标衡量的工具，这种闭环尤其具有吸引力。

更重要的是，结果显示低成本势能上的搜索成果可以迁移到 DFT 场景。不过，素材提供的是基准测试结果，并没有说明 AutoSella 在所有分子、所有势能或所有收敛条件下都优于 Sella。因此，实际使用时仍应关注稳定性、收敛质量与异常结构，并结合具体工作流进行验证。

如果这一方向继续发展，语言模型可能不只参与生成科学代码，也会参与搜索数值算法中的更新规则、停止条件和计算资源分配策略。AutoSella 的价值正在于提供了一个相对清晰的范例：让模型负责提出候选方案，让可复现的实验和泛化测试决定方案能否进入最终工具。

来源：Hugging Face Daily Papers