2026年7月22日——近年来，利用人工智能预测材料特性的研究进展迅速。神经网络量子蒙特卡洛方法作为一种高精度模拟技术而备受关注。然而，其极高的计算成本限制了它仅能应用于小型分子系统。本研究引入了一种新的计算方法，克服了这一限制。

在超级计算机上模拟电子层面机制的方法被广泛用于探索新材料和理解生物现象。对于能够在不牺牲高精度前提下实现更快预测的新方法，存在着强烈需求。

在最近的一项突破中，日本北陆先端科学技术大学院大学（JAIST）与字节跳动Seed等机构的研究人员合作，将神经网络技术与新开发的“伪哈密顿量的贝叶斯局域化”方法相结合，同时实现了高精度预测和计算成本的降低。研究团队包括JAIST的市幅知纪副教授和博士生藤丸龙之介（共同第一作者之一），以及来自字节跳动Seed的研究人员。他们的研究成果于2026年7月10日在线发表在《自然·计算科学》期刊上。

市幅知纪教授表示：“通过将人工智能技术整合到传统上由物理和化学驱动的研究领域，我们已经取得了显著进展。该方法有望为新材料的发现和生物现象的理解做出贡献，而目前的结果将极大地推动这些领域的研究。”

这项工作为集成人工智能技术与量子化学计算的新一代模拟技术的发展取得了重要成果。所开发的方法使得对大规模材料和复杂化学反应系统进行高精度分析成为可能，这些任务此前因计算资源限制而难以实现。未来，将该方法的应用范围扩展到更多种类的元素，有望促成材料发现、高性能催化剂设计以及生物分子功能阐释等不同领域的应用。此外，该方法在固态物理学和激发态计算中的应用也备受期待，有望为量子科学和材料科学领域未解难题的解决做出贡献。