让AI给Sella这个优化器做手术,结果它自己把自己改进了

你可能从来没想过几何优化这件事，但如果你学过化学，大概记得分子不是一堆静止的小球。每个分子都在不停地震动、摆动，寻找能量最低的那个稳定形状。计算化学家做的事，很大一部分就是让计算机模拟这个寻找过程：给定一个分子的初始形状，不断调整原子的位置，直到找到那个能量最低的构型。

这个过程叫几何优化。

每调整一次原子位置，就得计算一次力，也就是每个原子受到的推拉作用。这个计算叫做一次力评估。如果用的是便宜的计算方法，这个代价不算什么。但如果用的是密度泛函理论这种精确但昂贵的方法,每一次力评估都要烧掉大把计算资源和时间。

密度泛函理论*：一种量子化学计算方法，能比较准确地描述分子的电子结构，但计算代价很高，是药物设计和材料研究中常用的精确手段。

这就是为什么几十年来，无数聪明人一直在琢磨同一个问题：怎么让优化算法少走几步，就能找到那个能量最低点？从上世纪80年代的拟牛顿法，到后来的模型海森矩阵，再到各种坐标系统的改进，这条路上已经积累了相当深厚的工程智慧。而这篇论文讲的，是一群研究者决定换个思路：不再靠人去想办法改进算法，而是让语言模型自己去改。

**这不是一句营销口号，而是真的让AI读代码、改代码、跑实验、看结果，反复循环。**

先搞清楚起点：为什么选Sella？

要让AI改进一个算法，总得先有个基准。研究团队测试了市面上几乎所有支持自定义收敛标准的开源几何优化器，包括ASE、geomeTRIC、pysisyphus、PyBerny等一众软件包的27种配置组合。结果很干脆：Sella在所有测试里用的力评估次数最少。

Sella*：由美国桑迪亚国家实验室的Eric D. Hermes团队开发的分子几何优化软件，2026年仍在持续更新，以在内坐标系中进行限步理性函数优化为核心技术，速度在开源工具里数一数二。

这里有个细节值得多说两句。研究者发现，Sella之所以比那些用笨拙的笛卡尔坐标系的优化器快5到6倍，主要原因并不是它的步长算法多聪明，而是它选对了坐标系统，外加一个靠谱的初始曲率猜测（也就是模型海森矩阵）。他们专门做了个对照实验：在同一个程序pysisyphus里，只换坐标系统不换别的，笛卡尔坐标的代价是Sella的5.7倍；只换初始海森矩阵不换坐标，代价能差4倍。两个因素各自都很重要，叠加起来差距就被放大了。

这就好比你去一个陌生城市找路。如果你用的是经纬度坐标去描述每一步该往哪走（这就是笛卡尔坐标的处境），你得不停换算方向和距离，走起来又绕又累。但如果你换成"沿着这条街走三个路口再左转"这种描述方式（也就是内坐标，直接描述键长、键角这些分子内部真正变化的量），路径一下子就直观了很多。如果不换成这种描述方式，哪怕你的导航算法再聪明，也得在换算上白白浪费大量步数。这正是为什么Sella选对了内坐标系统后能省下这么多次力评估：它描述的是分子真正在变化的东西，不是一套外部强加的刻度。

于是，研究团队把Sella整个代码库浓缩进一个单文件，作为AI动手改造的起点。

怎么让AI自己做研究，而不是瞎改一气

这才是整篇论文最有意思的部分。

直接把代码甩给AI说"你去优化"，大概率会出问题。AI很可能找到一个捷径：让优化提前停止，这样力评估次数自然就少了，但代价是根本没优化到位。这就跟让一个学生用最少的步数做完一道数学题，结果他直接空着不做，步数确实是零，但题也没解出来。

为了防止这种自欺欺人式的"进步"，研究者设计了一套带闸门的自研究循环。

自研究*：论文里称为autoresearch，指让AI agent在一个固定的评测基准下反复提出代码修改、运行实验、根据结果决定保留还是放弃，整个过程几乎不需要人工干预。

这个循环长什么样？AI每次只能修改一个文件，叫做algo.py。它提出一个修改想法，提交代码，然后交给一个独立的远程评估系统在训练集上打分。这个评估系统AI本身是碰不到的，它只能看结果，不能动手改评分标准，这一点很关键，否则AI很容易钻改评分标准的空子而不是真的改进算法。

评估系统返回两个核心指标：一个是这个候选算法相对Sella用了多少比例的力评估次数，另一个是它最终把能量降到了Sella的多少比例。这里就要讲到论文设的两道闸门。

第一道叫有效性闸门：候选算法的能量下降比例必须不低于Sella，而且不能出现数值错误。换句话说，想靠提前止步来省力评估，这条路直接被堵死。

第二道叫泛化性闸门：候选算法通过第一道闸门之后，还要拿到一批训练时完全没见过的验证分子上重新测一遍，而且必须在验证集上同样做到更快、不更差。只有两道闸门都过了，这个修改才会被正式采纳为新的冠军算法，否则就被丢弃，AI接着在原来的冠军版本上继续折腾。

这套机制让我想起医学里双盲对照试验的逻辑。如果只在训练集上验证一个新药有效,很可能只是药企自己挑了容易出效果的病人做测试,结果好看但没有普遍意义。只有在没见过的新样本上重新测一次，才能知道这个药是真的有效，还是只是蒙对了几个特定病例。如果不设这第二道关卡，AI完全可能找到一些只在训练集469个分子上凑巧好用的奇怪技巧，一换到新分子上立刻失效，而研究者却毫不知情地把这种"假进步"当成了真突破。

还有一个细节设计得挺巧妙。研究者没有直接拿昂贵的密度泛函理论去跑这场AI改代码的实验，那样成本太高，根本没法反复试错。他们换用了一种叫GFN2-xTB的半经验方法。

GFN2-xTB*：一种半经验量子化学计算方法，精度不如密度泛函理论，但计算速度快得多，单次评估一个469个分子的训练集只要60到90秒。

用便宜的方法做大量试错，再把结果迁移到贵的方法上验证，这个思路听起来简单，但实际上是在赌一件事：在廉价近似方法上学到的技巧，到了昂贵精确方法那边还管不管用。论文后面的结果会告诉我们这个赌注押对了。

两个AI，两种研究风格，同一个起点

研究团队让两个不同的大语言模型分别独立跑了这套自研究循环，各跑了66个小时的实际研究时间。一个是Claude Fable 5.1（Max版本），由Claude Code驱动，产出的算法叫AutoSella-F；另一个是GPT-6 Astra（High版本），由Codex驱动，产出算法叫AutoSella-A。

两者的研究节奏完全不同。Fable在66小时里只提交了108个候选版本，但接受了37个改进，接受率相当高。Astra提交了672个候选版本，却只接受了29个。

数字背后藏着两种截然不同的工作方式。Fable平均每36分钟提交一次候选代码，中间穿插着大量本地分析，比如有一次在两次提交之间停了160分钟，用了几百条命令去检查之前保存的分子结构和优化器代码，最后琢磨出一个关于如何初始化优化过程的改进点子。Astra则是平均不到6分钟就提交一次，节奏快得多，但错误率和被拒率也更高：35次评估直接出错，115次因为能量恢复不够而被拒。

这就好比两种不同的学习方法。一种人做题前先把题目吃透，想清楚解法再动笔，提交答案次数少但命中率高。另一种人是先试着写写看，写错了就改，靠大量尝试去逼近答案。两种方法都能走到终点，但走的弯路数量和路径完全不一样。如果没有这种风格对比，我们可能会简单粗暴地认为"候选次数多就等于探索更充分"，但实际情况恰恰相反，Fable用更少的尝试换来了质量更高的发现。

最终结果上，AutoSella-F把力评估次数压到了Sella的65.13%（训练集）和64.99%（验证集），AutoSella-A则是74.51%和76.66%。两者都成功了，但Fable的改进幅度明显更大。

这些改进具体是什么？拆开看看里面的零件

论文做了一件很负责任的事：不只是甩出一个最终算法说"快了多少"，还把AI做的每一类改动拆解出来，逐一移除再重新测试，看看哪一块贡献最大。

对AutoSella-F来说，影响最大的改动是重做了模型海森矩阵和坐标系统。原来Sella用简单规则估算每个键、每个角、每个二面角的刚度，AutoSella-F给这套估算加了更细致的化学分类规则，还补上了原来完全忽略的非共价相互作用，比如氢键、芳香环接触这些弱相互作用。把这一块改动单独撤掉，验证集上的代价立刻从65%左右弹回到约83.7%，涨了18.68个百分点，是所有单项改动里影响最大的。

接下来是片段处理的改动。当一个系统里有好几个互不相连的分子片段时，比如一个药物分子加上周围的溶剂水分子，原来Sella把这些片段硬用人造的虚拟键连起来处理。AI打开了Sella原有但没启用的一个选项，让每个片段用自己独立的位置和朝向坐标来描述，这样片段之间移动起来更自然。撤掉这块改动，代价涨了11.3个百分点。

还有海森矩阵更新的改动，这块贡献排第三。拟牛顿法优化器需要不断从每一步的位移和梯度变化中学习曲率信息，原本Sella只用最新一次的位移信息，AutoSella-F改成同时保留最近四次信息，还会在每次几何形状变化后，相应地修正之前存下来的曲率记录，让旧信息跟上新几何形状的变化，另外还利用了分子的对称性，把一步的曲率信息同时套用到它的镜像结构上，相当于一步能学两步的东西。

这几块改动叠加起来，有一种很直观的类比。想象你在学骑自行车，刚开始靠猜测前方路况来调整方向（这对应原始的模型海森矩阵，纯靠规则估算）。学久了你开始记住最近几次转弯的手感（对应保留多次位移历史），而不是每次都把之前的经验忘掉重新猜。如果某条路突然变窄了，你还会根据这个新情况去调整对之前几次转弯手感的理解（对应跟着几何形状变化去修正存储的曲率）。如果你每次都把记忆清空只信最新一次感觉，骑起来会一直晃来晃去找不准感觉，这正是原始算法效率没那么高的根本原因。

AutoSella-A这边的改进重点类似但细节不同，最大贡献同样来自模型海森矩阵和坐标系统的重建，这次参考了更多已发表的刚度估算规则，比如键长用Badger规则、角度和二面角用Schlegel规则。第二大贡献也是片段处理，第三则是引入了一个高斯过程来预测能量曲面，在每一步给出一个备选的步长方案，如果这个备选方案通过了几项检验（比如确实朝着能量下降的方向走、步长合理、预测收益靠谱），就用它替代原来的常规步长。

高斯过程*：一种用历史数据拟合函数形状并估计不确定性的统计模型，这里被用来根据最近的能量和梯度信息，预测一个可能更优的下一步走法，而且不需要额外调用昂贵的力计算。

有意思的是，研究者还测试了把几块改动联合撤掉会发生什么。结果是联合撤掉的代价增幅，总是小于把各块单独撤掉的代价增幅之和。这说明这些改动之间有相互牵制的关系，不是简单的加法叠加，有点像一支球队里几个球员的配合，单独拿走一个主力影响很大，但拿走两个主力造成的总损失，未必是两次单独损失简单相加那么大，因为队伍里本来就存在一定的相互补位机制。

真正的硬核考验：能不能扛住没见过的分子和方法

讲到这里，一个很自然的疑问是：这些改进是不是只是在GFN2-xTB这个特定的半经验方法上凑巧好用，换个场景就失灵了？

研究者做了两个方向的压力测试。

第一个方向是分子种类的迁移。他们准备了四套完全没在训练和验证阶段出现过的数据集：500个从头挑选的PubChem药物分子、673个二肽结构、475个氨基酸与配体的组合、100个溶剂化的PubChem系统（也就是药物分子周围裹着水分子的复杂多片段结构）。

结果显示，AutoSella-F在四套数据集上都比Sella更省力评估，范围是39.86%到73.25%，而且平均能量恢复比例全部超过100%，说明它不只是更快，恢复的能量深度还比Sella略深一点。

第二个方向更关键，是方法的迁移。这套AI自研究循环全程只在GFN2-xTB上训练，从未接触过密度泛函理论的真实梯度。如果这些改进只是对GFN2-xTB这一种近似方法的过拟合，到了真正昂贵精确的密度泛函理论场景下应该会打回原形。

但实际结果恰恰相反。在r2SCAN-3c这个密度泛函理论级别上测试，AutoSella-F在四个数据集上只需要Sella力评估次数的40.24%到77.20%，而且平均能量恢复仍然优于Sella。最夸张的一个场景是溶剂化PubChem系统，密度泛函理论下AutoSella-F只用了Sella的40.24%的力评估，能量恢复还高出1.27%。

这件事的分量值得单独停下来想一想。

**这相当于AI从未见过真正昂贵的精确计算方法，却靠便宜的近似方法练出的直觉，直接命中了精确方法下的真实痛点。**

这就好比一个赛车手只在练习场用普通轮胎练了几千圈,摸出了一套过弯手感，结果换上正式比赛用的昂贵高性能轮胎，这套手感居然依然适用，甚至表现更好。如果这套手感只是针对普通轮胎的特殊路况凑出来的小聪明，一换轮胎立刻就该露馅。它没露馅，说明AI改进的东西触及了某种更底层的、跨越具体计算方法的通用规律，比如分子之间非共价相互作用的曲率模型，这是化学本身的性质，不会因为你用什么计算方法去算力而改变。

当然也不是所有改进都这么漂亮。AutoSella-A在单分子系统上表现稳健，但在溶剂化PubChem这种复杂多片段系统上出了问题，不管是GFN2-xTB、GFN-FF力场，还是密度泛函理论层面，它的力评估次数都超过了Sella，分别是118.77%、114.59%、109.06%，能量恢复也略低于基准。研究者分析认为，这反映出Astra在处理复杂多片段系统时的泛化能力确实比不上Fable。

GFN-FF*：一种比GFN2-xTB更简化、计算更快的经典力场方法，论文里用它作为另一个没在训练阶段出现过的潜在方法，测试改进效果是否能够迁移。

不是所有AI都能做好这件事

论文里还藏着一个容易被忽略但很值得说的对照实验。研究者额外用Grok 4.6这个模型跑了同样的66小时自研究流程，命名为AutoSella-G。

结果和Fable、Astra完全不在一个量级上。AutoSella-G跑了900个候选版本，接受了44个改进，但最终把训练集代价只压到了97.79%，验证集97.79%。换算成实际效果，在单分子测试集上和Sella基本打平，在氨基酸配体对数据集上代价反而涨到148.77%，在溶剂化PubChem上更是涨到239.85%，而且100个系统里有64个根本没能在限定步数内收敛。

这个对照实验没有被刻意拿来抬高或贬低任何一方，但它说明了一件朴素的事实：让AI做这类自主研究，不是随便换个模型都能跑出同样水平的结果。这跟让不同的学生做同一道开放性研究课题类似，题目和评分标准完全一样，但最后交出来的答卷质量可能天差地别，差距的根源往往就在于研究思路的深度和对失败的处理方式。

改出来的东西到底靠不靠谱

光是力评估次数少了，并不能完全说明优化质量没问题。研究者还专门检验了AutoSella找到的最终构型，是不是和Sella找到的是同一个能量最低点，而不是跑偏到了别的地方。

他们用了三种独立的核验手段：比较重原子的均方根偏差（也就是两个构型在空间上差多远）、比较最终能量的绝对差值、以及对最终构型做振动频率分析，检查是否存在虚频（如果有负的振动频率，说明这个点其实不是真正的能量最低点，而是个鞍点）。

结果显示在单分子数据集上，AutoSella-F和AutoSella-A都在97%以上的分子上落到了和Sella一致的能量最低点，中位数的坐标偏差只有千分之几埃，几乎可以认为是完全重合。但在涉及多个片段的复杂系统上，一致率明显下降，比如溶剂化PubChem只有1.0%到18.0%。研究者认为这是因为多片段系统里水分子的排列方式本身就有大量等价或近似等价的局部构型，优化器稳定走到完全同一个点反而不太现实。关键的是，走到不同点并不代表优化质量变差，数据显示这些替代终点的能量平均还略低于Sella的终点，说明AI找到的往往是另一个同样合理甚至更优的稳定构型，而不是什么错误答案。

写在后面

读完这篇论文，最触动我的其实不是那些力评估次数降低了多少的具体数字，而是这件事本身的结构：研究者没有去教AI化学知识，也没有直接告诉它应该怎么改海森矩阵或者坐标系统，他们只是搭建了一套严格的试错反馈机制，剩下的全部交给了AI自己去摸索。

这跟我们通常想象的"AI辅助科研"完全不是一回事。很多场景下AI辅助科研指的是帮你查文献、帮你写代码、帮你分析数据，人还是主导者。但在这个实验里，AI是真正的研究者，它自己提假设，自己写代码验证，自己从失败里学习，甚至自己决定下一步该往哪个方向继续挖。论文里提到的一个细节我印象很深：Fable在某次160分钟的间隔里，翻查了之前保存的分子结构数据，然后琢磨出了一个关于优化初始化的新点子。这个行为模式，说实话和人类研究者做实验、看数据、灵光一闪的过程几乎一模一样。

还有一件事值得多想一层。论文反复强调两道闸门的设计，有效性闸门和泛化性闸门，这其实是在给AI的"创造力"设边界。没有边界的AI很容易找到奇怪的捷径来刷分，这跟训练一个学生应试刷题是同样的风险。而这篇论文证明，只要把评价标准设计得足够扎实,堵死投机取巧的路径，AI反而能在这个有约束的空间里，找到人类几十年都没想到或者没来得及系统化尝试的改进组合。

这件事会不会扩展到其他领域？比如蛋白质折叠模拟、材料结构搜索、甚至某些工程优化问题？我觉得完全有可能，前提是你能像这篇论文一样，找到一个足够便宜的代理指标去快速试错，并且设计出足够严格的验证机制去防止AI耍小聪明。这听起来简单，但真正做到位，恐怕比想象中要难得多。

Q&A

Q1：AutoSella是什么？

A：AutoSella是通过让大语言模型自主改写开源优化器Sella的代码而得到的一族新优化器，包含AutoSella-F和AutoSella-A两个版本，能在保持优化效果的前提下大幅减少分子几何优化所需的力评估次数。

Q2：AutoSella在真正的密度泛函理论计算中也有效吗？

A：有效。虽然整个AI自研究过程只用了便宜的GFN2-xTB方法训练，但在从未接触过的r2SCAN-3c密度泛函理论计算中，AutoSella-F依然只需要Sella约40%到77%的力评估次数，且能量恢复效果更好。

Q3：为什么要给AI设置两道验证闸门？

A：因为AI很容易通过让优化提前停止来制造虚假的"进步"。有效性闸门确保候选算法的能量下降不低于原算法，泛化性闸门要求改进必须在没见过的新分子上依然成立，两道关卡结合才能防止AI投机取巧。