其他行业 · AI应用
药物发现中的AI量子突破
佛罗里达大学和北卡罗来纳大学在药物发现中面临重大挑战，传统量子力学模拟筛选潜在药物候选物可能需要长达240天。为解决此问题，他们开发了ANAKIN-ME神经网络引擎，利用NVIDIA GPU加速模拟过程。这一创新方法使研究人员能在8分钟内筛选1000万个药物候选物，结果与慢100万倍的方法相当。这一突破性影响将药物发现时间从数年缩短至数分钟，从而加速新疗法的开发并提高研究效率。
1000万候选药物筛选时间
8分钟
来源披露
相对于参考DFT方法的加速比
1,000,000倍
来源披露
预测能量与参考DFT数据的偏差
~1 kcal/mol
来源披露
01
业务背景
佛罗里达大学和北卡罗来纳大学在药物发现中面临重大挑战，传统量子力学模拟筛选潜在药物候选物可能需要长达240天。为解决此问题，他们开发了ANAKIN-ME神经网络引擎，利用NVIDIA GPU加速模拟过程。这一创新方法使研究人员能在8分钟内筛选1000万个药物候选物，结果与慢100万倍的方法相当。这一突破性影响将药物发现时间从数年缩短至数分钟，从而加速新疗法的开发并提高研究效率。
02
遇到的问题
药物发现中精确量子力学（QM）模拟计算成本极高，传统DFT方法复杂度为O(N³)，限制了对大规模分子系统的长时间分子动力学模拟。用QM模拟筛选1000万个候选药物可能需要长达5年，研究人员被迫采用精度较低的近似方法，导致筛选出的药物候选物有效性降低。
03
AI 解决方案
开发了名为ANAKIN-ME（ANI）的深度神经网络方法，利用NVIDIA GPU训练模型学习QM能量函数，从而快速、高精度地预测分子能量表面、几何构型和力。该网络从DFT参考数据中学习薛定谔方程的哈密顿量，并通过CUDA、cuBLAS、cuDNN等库在GPU上实现近乎瞬时的预测，速度比精确DFT方法快一百万倍，精度达到化学精度（约1 kcal/mol），且可处理含C、H、N、O、S、F的有机分子，甚至能描述化学键断裂和化学反应。
04
实施结果
1000万候选药物筛选时间：8分钟（从数天缩短至分钟级，减少约99.997%）
相对于参考DFT方法的加速比：1,000,000倍（速度提升百万倍）
预测能量与参考DFT数据的偏差：~1 kcal/mol（达到化学精度要求）
05
风险与边界
未披露
“A fast and accurate description of molecular energetics can lead to breakthroughs in many fields including drug discovery and materials science.”
Justin S. Smith · Graduate Student, Chemistry, University of Florida
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。