语言模型能发现更快的分子几何优化器吗？

为什么决定代价的是力调用而非步数

几何优化是计算化学中最常执行的操作之一，论文用原子间力评估的次数来衡量它的代价。在经验力场这类廉价势函数上，这一代价可能与优化算法本身的代价相当。而在密度泛函理论（DFT）水平上，梯度计算主导了弛豫的墙钟时间，因此优化器所需的步数实际上决定了任务的价格。

这一框架对理解下文每个数字都很关键。力调用次数的减少并不是算法自身算术的装饰性加速；在 DFT 下，它大致按比例降低计算代价。因此论文的目标狭窄且可机器检验：改写优化器，使其在更少的力评估中达到相同的能量下降，既不提前停止，也不对搜索所用的分子过拟合。

两道准入闸门挡住提前停止与过拟合

自动研究循环让智能体直接改写优化器代码，并以力调用次数计分。若不加约束，这种循环有一个明显的失效模式：一个过早宣布收敛的优化器会显得很便宜。论文用两道准入闸门约束搜索：一道拒绝提前停止，另一道拒绝无法泛化到未见分子的改进。

这两道闸门正是所报告节省可被解读为真实、而非计分假象的原因。仅靠提前退出取胜、或只在被调优过的分子上取胜的候选方案不会被准入。搜索从 Sella 出发——论文称其为可用的最快开源优化器——并产出了一个包含两个优化器的家族：由 Claude Fable 5.1（max）驱动的运行产出的 AutoSella-F，以及由 GPT-6 Astra（high）驱动的运行产出的 AutoSella-A。

两个智能体的搜索方式有何不同

两次运行都在 66 个活跃研究小时内测量，这一预算包括在隔离容器内的开发与分析，以及远程评估。在该窗口内，Fable 提交了 108 个被评估的候选方案并接受了 37 项改进，而 Astra 提交了 672 个候选方案并接受了 29 项。Fable 的评估错误更少（3 个，即 2.8%，对比 35 个，即 5.2%），因平均能量恢复不足而被拒绝的候选方案也更少（8 个，即 7.4%，对比 115 个，即 17.1%）。

提交间隔显示出两种不同的研究节奏：相邻候选提交之间的平均间隔，Fable 为 36.32 ± 32.08 分钟，Astra 为 5.88 ± 3.66 分钟。论文指出，Fable 的日志记录了其在容器内长时间的本地分析，包括在第 87 与第 88 个循环之间用 160 分钟检查此前计算保存的分子结构并阅读优化器代码，这带来了一处针对优化初始化方式的改动。因此候选数量更少并不意味着研究更少。

最终算法相对于原始 Sella 的平均每分子力调用比，在训练集上为 65.13% 和 74.51%，在验证集上为 64.99% 和 76.66%。论文报告称，Fable 更大的收益来自把物理模型修正与更有效地复用此前的力评估结合起来，而 Astra 后期被接受的收益很小，许多后续变体要么增加了力调用代价，要么通过了训练却未通过验证的代价或能量测试。

节省在未见分子与新化学领域依然成立

第一条泛化轴是分子。优化器在四个留出数据集上测试：500 个被选为与训练和验证集不相似的 PubChem 分子、673 个二肽、475 个氨基酸–配体对，以及 100 个溶剂化 PubChem 体系。氨基酸–配体对测试的是超出训练所用小二聚体的非共价相互作用体系上的优化，而溶剂化 PubChem 测试的是由类药溶质和周围水分子构成的复杂多片段体系。

在搜索本身所用的势函数 GFN2-xTB 上，AutoSella-F 在每个区块都最便宜，为基线每分子力调用次数的 39.86–73.25%，且其平均能量恢复在四个数据集上都高于基线。论文报告称，最终能量差的中位数在 Test、二肽和氨基酸–配体对上为 −8×10⁻⁶ 至 −5×10⁻⁶ kcal mol⁻¹，在溶剂化 PubChem 上为 −1.30 kcal mol⁻¹，因此 AutoSella-F 在大多数分子上达到比参考更低的最终能量。

AutoSella-A 在前三个数据集上使用基线每分子力调用次数的 78.14–92.57%，但在溶剂化 PubChem 上出现退化，需要 118.77% 且恢复的能量更少。因此两个变体不可互换：同一搜索范式产出了一个能泛化到全部四个留出集的优化器，以及一个无法扩展到复杂多片段体系的优化器。

迁移到搜索从未见过的势函数

第二条泛化轴是势函数。每个候选方案都只在 GFN2-xTB 上计分，因此悬而未决的问题是：改进背后的机制是通用的，还是拟合到该势函数上的。论文在经典力场 GFN-FF 上、以及通过 ORCA 在 r2SCAN-3c 水平的 DFT 上重复了测量，这两者搜索都未曾遇到。

节省得以延续。在所有可比较的项目中，AutoSella-F 比 AutoSella-A 节省更多力调用。在 r2SCAN-3c 水平上，AutoSella-F 所需的 Sella 每分子力调用次数为：Test 上 75.98%、二肽上 72.27%、氨基酸–配体对上 65.50%、溶剂化 PubChem 上 38.69%，且四个数据集的平均能量恢复都高于基线。最大的节省出现在溶剂化 PubChem 上，只需 Sella 力调用次数的 40.24%，同时平均能量恢复高出 1.27%。

AutoSella-A 在 DFT 下同样未能扩展到多片段情形，在溶剂化 PubChem 上使用 Sella 每分子力调用次数的 109.06% 且恢复的能量更少。论文强调，在 DFT 下力调用主导计算，因此力调用次数的减少会按比例降低任务代价，而这一切是在自动研究从未评估过任何 DFT 梯度的情况下取得的。

哪些机制带来了这些节省

消融实验指出 AutoSella-F 节省的三个关键贡献者：改进的曲率模型与坐标、对不连通片段的显式处理，以及在考虑几何变化的同时复用此前梯度信息的 Hessian 更新。论文报告称，物理模型与坐标这一族在两个系列中都有最大的单次移除代价增幅，其中一个模块分别增加 15.57 和 18.68 个百分点，另一个在验证集上增加 8.82 个百分点。

这些模块并非相互独立。论文在单模块移除之外补充了联合移除，发现在验证集上所有四对测试中，联合移除带来的代价增幅都小于各单次移除代价之和，因此单模块效应不能被视为独立、可加的贡献。在所有评估中，只有五次完整评估低于能量阈值，只有三次包含优化器错误。

论文还报告了另一次使用 Grok 4.6 在 xhigh 推理强度下、通过 Cursor 智能体框架、采用完全相同设置的运行。该运行记录了 900 个候选方案并接受了 44 项改进，其最终冠军 AutoSella-G 在第 897 个循环获得，平均相对力调用代价在训练集上为 97.79%、验证集上为 98.14%。在留出的 GFN2-xTB 基准上，它在单分子体系上收益甚微，在分子间数据集上表现明显更差——这是一个有用的对照：一次运行可以在自己的训练和验证划分上看起来成功，却在留出集上几乎毫无产出。

Sella 基线究竟带来了什么

论文自己的面板分析为 AutoSella 的收益提供了背景。在单片段分子上，Sella 相对配置良好的通用优化器优势很小：使用离域内坐标的 pysisyphus 在 Test 上需要 Sella 力调用次数的 105.4%、在二肽上需要 103.6%；使用冗余内坐标和 Fischer–Almlöf 初始 Hessian 时，需要 110.5% 和 106.0%。Sella 相对笛卡尔方法所拥有的 5–6.5 倍优势，几乎全部来自它对内坐标和模型初始 Hessian 的选择，而非其步进算法。

论文在单一程序内分离了这两个因素。在 geomeTRIC 中，只改变坐标系统，Test 上的代价就从 TRIC 的 129.6% 和离域内坐标的 130.4%，经过原始内坐标的 145.9% 和 HDLC 的 327.2%，变为笛卡尔坐标的 572.2%，相差 4.4 倍。在 pysisyphus 中，只改变初始 Hessian，代价就从 Fischer–Almlöf 模型的 110.5%，经过 Lindh 的 110.8% 和 Swart 的 130.5%，变为简单对角猜测的 193.2% 和单位矩阵的 444.9%，相差 4.0 倍。

这些平均值是在方法与 Sella 都收敛的分子上取得的，因此论文将其视为下界：最差的设置也会在更多分子上失败，笛卡尔坐标下的 geomeTRIC 使 500 个 Test 分子中有 141 个未收敛，使用单位 Hessian 的 pysisyphus 则有 56 个未收敛。这正是解读 AutoSella 节省的背景。搜索并非从弱基线出发；它从面板中最快的开源优化器出发，仍然找到了持续的降低。

这些优化器在哪里适用、在哪里不适用

实际的区分在于 AutoSella-F 与 AutoSella-A 之间，以及单片段与多片段体系之间。AutoSella-F 在 GFN2-xTB、GFN-FF 和 r2SCAN-3c 上，相对 Sella 在全部四个留出数据集上都带来持续的力调用降低，平均能量恢复达到或高于基线。AutoSella-A 在前三个数据集上有竞争力，但在所测试的每一种势函数上都在溶剂化 PubChem 上退化，需要比 Sella 更多的力调用且恢复的能量更少。

论文自己的结论是：当在目标水平上直接搜索过于昂贵时，廉价的替代势函数可以支撑自动化算法开发。这就是可迁移的主张：搜索完全在 GFN2-xTB 上运行，从未评估过 DFT 梯度，却仍产出了一个节省在 r2SCAN-3c 水平上依然保持的优化器。该论文是审稿中的预印本，因此所报告的数字应被理解为作者的测量结果，而非独立复现的结果。

对决定从中取用什么的读者而言，与决策相关的比较不是大语言模型能否写出优化器代码，而是该信任哪个变体、用在什么体系上。如果目标是单片段有机分子，两个变体在留出集上都相对 Sella 降低了力调用。如果目标是溶剂化或其他多片段体系，证据指向 AutoSella-F 而非 AutoSella-A——后者在溶剂化 PubChem 上的退化在 GFN2-xTB、GFN-FF 和 r2SCAN-3c 上都出现。最值得注意的结果仍是 DFT 情形：在溶剂化 PubChem 上只需 Sella 力调用次数的 40.24%，且平均能量恢复更高，而这一切是在搜索从未见过任何 DFT 梯度的情况下取得的。

本文引用的文献