Η ατομιστική προσομοίωση παραμένει ένα πεδίο όπου η επιστημονική γνώση, η υπολογιστική απόδοση και η ευχρηστία του λογισμικού πρέπει να συνυπάρχουν. Η Nvidia υποστηρίζει ότι το ALCHEMI Toolkit μειώνει ουσιαστικά το δεύτερο εμπόδιο, δηλαδή την αποδοτική υλοποίηση προσομοιώσεων με Machine Learning Interatomic Potentials, όμως το τρίτο εμπόδιο, δηλαδή μια προσβάσιμη διεπαφή, συνέχιζε να περιορίζει τη χρήση. Σε αυτό ακριβώς το σημείο τοποθετεί τους AI coding agents, ως εργαλείο που μετατρέπει περιγραφές σε φυσική γλώσσα σε εκτελέσιμο κώδικα. Το κρίσιμο σημείο είναι ότι οι agents δεν αρκεί να γράφουν πειστικό κώδικα, αλλά πρέπει να γνωρίζουν και το συγκεκριμένο API του εργαλείου που καλούνται να χρησιμοποιήσουν.
Σύμφωνα με την παρουσίαση της εταιρείας, το ALCHEMI Toolkit προσφέρει agent skills και αρχεία αναφοράς που δίνουν στους agents τα σωστά πρότυπα χρήσης του API τη στιγμή που τα χρειάζονται. Έτσι, ο ερευνητής μπορεί να επικεντρωθεί περισσότερο στο επιστημονικό ερώτημα, στο υλικό, στις συνθήκες και στους περιορισμούς του πρωτοκόλλου. Η προσέγγιση αυτή επιχειρεί να γεφυρώσει το χάσμα ανάμεσα στα κλασικά εργαλεία προσομοίωσης και στο νεότερο οικοσύστημα MLIP. Η Nvidia παρουσιάζει το θέμα όχι ως πλήρη αυτοματοποίηση της επιστήμης, αλλά ως μείωση των μηχανικών και τεχνικών εμποδίων.
Γιατί οι προσομοιώσεις υλικών παραμένουν δύσκολες
Η εταιρεία διαχωρίζει την πρόκληση σε τρία μέρη. Πρώτον, χρειάζεται επιστημονική κατανόηση για να οριστεί τι ακριβώς πρέπει να προσομοιωθεί και ποιο αποτέλεσμα είναι φυσικά εύλογο. Δεύτερον, απαιτείται αποδοτική υλοποίηση, ειδικά όταν οι ροές εργασίας εκτελούνται σε GPU και αξιοποιούν batching κατά την εκτέλεση. Τρίτον, απαιτείται διεπαφή που να επιτρέπει στους ερευνητές να χειρίζονται τη στοίβα λογισμικού χωρίς να χρειάζεται να μαθαίνουν από την αρχή νέες δομές δεδομένων, πρότυπα σύνθεσης και εξαρτήσεις.
Η Nvidia αναγνωρίζει ότι το πρώτο μέρος δεν μπορεί να αντικατασταθεί από κάποιο εργαλείο. Αντίθετα, το ALCHEMI Toolkit στοχεύει κυρίως στο δεύτερο και, έμμεσα, στο τρίτο. Οι AI agents έρχονται να καλύψουν αυτό το έλλειμμα προσβασιμότητας, επειδή μπορούν να δεχθούν οδηγίες με τους όρους που χρησιμοποιεί ένας ερευνητής στην καθημερινή τεχνική συζήτηση. Παρ’ όλα αυτά, η εταιρεία επισημαίνει ότι ένας agent γενικής χρήσης μπορεί εύκολα να παράγει κώδικα που φαίνεται σωστός, χωρίς όμως να χρησιμοποιεί ορθά το ALCHEMI Toolkit.
Το περιβάλλον εγκατάστασης επηρεάζει άμεσα την αξιοπιστία
Ένα από τα πρακτικά συμπεράσματα της ανάλυσης είναι ότι η ποιότητα των παραγόμενων scripts εξαρτάται έντονα από το πώς έχει στηθεί το περιβάλλον. Η Nvidia προτείνει εγκατάσταση του Toolkit σε κανονικό, εκτελέσιμο περιβάλλον Python και δυνατότητα στον agent να τρέχει τα scripts που γράφει. Στην τελική καμπάνια των 45 pipelines, αυτή η ρύθμιση δεν οδήγησε σε σπασμένα imports ή σε αναφορές σε ανύπαρκτα APIs. Η σύσταση αυτή έχει ιδιαίτερη σημασία, επειδή δείχνει ότι η εκτέλεση και η άμεση διόρθωση λαθών είναι μέρος της διαδικασίας αξιοπιστίας, όχι απλή ευκολία.
Οι βασικές απαιτήσεις που αναφέρονται περιλαμβάνουν Python 3.11 έως 3.13, PyTorch 2.8 ή νεότερο, CUDA 12 ή 13 με συμβατό NVIDIA driver, Linux ως κύριο λειτουργικό σύστημα, καθώς και NVIDIA GPU από RTX 20xx και μετά. Η Nvidia αναφέρει επίσης ότι η χρήση των agent skills πρέπει να γίνεται από το ίδιο release tag με το εγκατεστημένο API, ώστε να αποφεύγονται ασυμβατότητες. Για το benchmark χρησιμοποιήθηκε το Claude Code, όμως η εταιρεία σημειώνει ότι οποιοσδήποτε agent που υποστηρίζει το ανοιχτό πρότυπο Agent Skills μπορεί να χρησιμοποιηθεί. Αυτό μετατοπίζει την έμφαση από ένα συγκεκριμένο προϊόν σε μια πιο γενική αρχιτεκτονική συνεργασίας μεταξύ εργαλείου και agent.
Οι σωστές προτροπές κάνουν τη διαφορά
Η Nvidia δίνει ιδιαίτερο βάρος στη σύνταξη των prompts και υποστηρίζει ότι τα συμπεράσματα δεν προκύπτουν από γενικές συμβουλές, αλλά από μετρήσιμες διαφορές στην ποιότητα των αποτελεσμάτων. Η βασική σύσταση είναι να δηλώνεται πάντα το σύστημα, η μέθοδος και η κλίμακα. Όταν απαιτείται επαναχρησιμοποίηση ή εκτέλεση χωρίς επίβλεψη, έχει νόημα να προστεθεί και πλήρες συμβόλαιο γραμμής εντολών, αλλά αυτό αυξάνει αισθητά το κόστος σε tokens και το μέγεθος του κώδικα. Η εταιρεία υποστηρίζει ότι τα πιο εξειδικευμένα prompts βελτιώνουν κυρίως τη δομή και την επαναχρησιμότητα, όχι απαραίτητα τη φυσική ορθότητα του αποτελέσματος.
Εξίσου σημαντική είναι η σαφής διατύπωση των επιστημονικών παραδοχών. Η Nvidia αναφέρει παραδείγματα όπου ασαφής περιγραφή του υλικού οδήγησε σε λανθασμένες φυσικές επιλογές, όπως η επιλογή άλλου συστήματος ή διαφορετικών συμβάσεων αναφοράς για προσρόφηση σε χαλκό. Επίσης, δείχνει ότι λεπτομέρειες του πρωτοκόλλου, όπως η χρήση θερμοστάτη έναντι NVE, επηρεάζουν ουσιαστικά τις μετρούμενες ιδιότητες. Τέλος, προτείνεται να ζητείται ρητά από τον agent αυτοέλεγχος, έλεγχος παραδοχών, επικύρωση και εκτίμηση αβεβαιότητας, επειδή αυτά δεν προστίθενται αυτόματα.
Τρία workflows ως δοκιμή της μεθόδου
Για να τεκμηριώσει την προσέγγιση, η Nvidia εκτέλεσε benchmark 45 pipelines σε τρία διαφορετικά workflows, με πέντε επίπεδα prompts και τρία δείγματα ανά επίπεδο. Οι τρεις περιπτώσεις ήταν η εξίσωση κατάστασης του πυριτίου, η προσρόφηση οξυγόνου σε Cu(111) και η αυτοδιάχυση υγρού λιθίου μέσω μοριακής δυναμικής. Η αξιολόγηση έγινε με δύο τρόπους, με ελέγχους χαρακτηριστικών του κώδικα και με πραγματική εκτέλεση στις ίδιες NVIDIA H200 GPUs. Και τα 45 scripts χρησιμοποίησαν batched εκτέλεση στη GPU, κάτι που η εταιρεία συνδέει άμεσα με τα skills και τα παραδείγματα του Toolkit.
Στο στάδιο του screening ολοκληρώθηκαν επιτυχώς 38 από τα 45 scripts, ενώ και οι 15 παραγωγικοί εκπρόσωποι των workflows ολοκληρώθηκαν. Αυτή η διάκριση έχει σημασία, γιατί δείχνει ότι η Nvidia δεν παρουσιάζει μόνο αποσπασματικά επιτυχημένα παραδείγματα, αλλά μια συστηματική δοκιμή με συγκρίσιμο setup. Παράλληλα, το benchmark εξετάζει τόσο την επιστημονική κάλυψη της ζητούμενης ιδιότητας όσο και την επαναχρησιμότητα της διεπαφής. Το αποτέλεσμα είναι μια πιο πρακτική αποτίμηση του τι μπορούν και τι δεν μπορούν να κάνουν οι agents σήμερα σε εξειδικευμένες επιστημονικές ροές.
Τι έδειξαν τα αποτελέσματα σε πυρίτιο, χαλκό και λίθιο
Στην περίπτωση του πυριτίου, όλα τα επίπεδα prompt οδήγησαν στο ίδιο βασικό pipeline, με ταυτόχρονη χαλάρωση 50 έως 60 παραμορφωμένων όγκων σε ένα GPU batch και στη συνέχεια προσαρμογή Birch-Murnaghan. Οι πέντε παραγωγικές εκδοχές συμφώνησαν μέχρι το τελευταίο ψηφίο για τη σταθερά πλέγματος και το μέτρο όγκου, εντός του καθιερωμένου παραθύρου αναφοράς all-electron PBE που παραθέτει η Nvidia. Η εταιρεία σημειώνει ότι οι αποκλίσεις από πειραματικές τιμές συνάδουν με γνωστή συμπεριφορά του PBE. Το βασικό συμπέρασμα είναι ότι η μεγαλύτερη εξειδίκευση του prompt άλλαζε τη δομή και το κόστος του κώδικα, όχι τη φυσική.
Στην προσρόφηση οξυγόνου σε Cu(111), όλα τα παραγωγικά scripts κατέταξαν ως σταθερότερη τη θέση fcc hollow, με πολύ μικρές αποκλίσεις μεταξύ τους. Η εταιρεία συγκρίνει την τιμή προσρόφησης με δημοσιευμένες τιμές αναφοράς και μετρήσεις μικροθερμιδομετρίας, επισημαίνοντας ότι διαφορές στην κάλυψη και το σφάλμα του μοντέλου μπορεί να ενισχύουν τη δέσμευση. Στην αυτοδιάχυση του υγρού λιθίου, όμως, το πρωτόκολλο αποδείχθηκε καθοριστικό. Τα runs με Langevin έδωσαν συντελεστές διάχυσης 3 έως 5 φορές χαμηλότερους από τα NVE, ενώ ένα script επιπέδου L4 αποκλείστηκε επειδή δεν διατηρούσε την ενέργεια.
Τα βασικά συμπεράσματα για τη χρήση AI agents
Η πιο ενδιαφέρουσα διαπίστωση του benchmark είναι ότι η αυξημένη σαφήνεια των prompts αγοράζει κυρίως καλύτερη δομή κώδικα. Η Nvidia αναφέρει ότι η κάλυψη της ζητούμενης ιδιότητας ήταν πλήρης σε όλα τα επίπεδα, αλλά η κάλυψη των σωστών API patterns και η επαναχρησιμότητα βελτιώνονταν όσο το prompt γινόταν πιο αναλυτικό. Με άλλα λόγια, ο agent μπορούσε συχνά να καταλάβει τη φυσική αποστολή από νωρίς, αλλά όχι πάντοτε να την υλοποιήσει με τον βέλτιστο ή πιο ανθεκτικό τρόπο. Αυτό έχει πρακτική αξία για ερευνητές που θέλουν γρήγορα ένα λειτουργικό πρώτο αποτέλεσμα και στη συνέχεια σταδιακή σκλήρυνση της ροής εργασίας.
Παράλληλα, η Nvidia παρατήρησε ότι οι agents τείνουν να καταφεύγουν σε γνώριμους αλγορίθμους, ακόμη και όταν στο documentation υπάρχει βελτιωμένη εναλλακτική. Η συμπεριφορά αυτή δείχνει ότι τα παραδείγματα και τα skills επηρεάζουν περισσότερο τις τεχνικές επιλογές απ’ ό,τι οι εσωτερικές αναφορές API μέσα στο prompt. Συνολικά, η εικόνα που προκύπτει είναι μάλλον συγκρατημένη αλλά ουσιαστική. Οι AI coding agents δεν αντικαθιστούν την επιστημονική κρίση, μπορούν όμως να κάνουν πιο προσιτή και πιο αξιόπιστη την κατασκευή GPU-επιταχυνόμενων προσομοιώσεων όταν πλαισιώνονται από σωστό περιβάλλον, σαφές πρωτόκολλο και εξειδικευμένα skills.
