AI4S(AI for Science)讲了三年,各个分支的进度差别很大:有的还停在论文里,有的已经进入企业的研发流程。材料计算为什么先走完了这段路?芯培森的实践提供了观察样本。复盘这条路径,会发现它先跨过了一道所有分支都要过的坎:工程化。

AI4S的普遍困境,是预测容易、工程化难。模型在基准数据集上表现出色,一进真实研发场景,三个问题就冒出来:算不起,真实体系的模拟成本压不住;验不了,预测结果无法与实验对照;不可复现,换一套环境,结论就变了。放眼其他分支,类似的落差比比皆是:有的论文高产、落地寥寥,有的演示惊艳、复现困难。预测的数量与可用的成果之间,隔着的正是工程化这道坎。材料计算的特别之处,在于它把这三个问题逐一拆掉了。
材料计算能先跨过去,靠的是三个技术条件,缺一不可。
其一,专用算力把“算不起”变成“算得快、还不贵”。
为某一类计算专门造芯片,历史上早有先例:1990年代的图像渲染需求催生了GPU,2010年代的机器学习催生了TPU;到了原子级科学计算,轮到APU。芯培森APU(Atomistic Processing Unit,原子级物质计算专用算力单元)采用非冯·诺依曼专用芯片架构,让计算紧靠存储位置参与运算,走的是算法与芯片协同设计的路线,这条路线的学术源头可追溯到芯培森联合创始人、董事长兼首席科学家刘杰教授团队2022年发表的NVNMD研究;2025年9月,升级版NVNMD-v2发表于《Journal of Chemical Theory and Computation》。据芯培森介绍,面向机器学习分子动力学(MLMD)、密度泛函理论(DFT)这两类代表性计算路线,芯培森APU相较通用算力,计算速度有显著提升、能耗有显著下降。在大湾区,芯培森合资赫曦原子智算中心已完成100台赫曦服务器部署,采用CPU+GPU+APU协同的超异构计算架构,三类算力分工协作。
其二,方法按体系选。
算得动的问题解决之后,重心转向算法一侧。密度泛函理论(DFT)精度高,但计算量随体系规模按更高的幂次放大;经典分子动力学(CMD)能覆盖更大的体系与更长的时间,但精度低;机器学习分子动力学(MLMD)在精度与速度之间找平衡,预训练的大原子模型补上了工程化落地的关键一环。三种方法各有适用边界,算一个体系选一种,不是三种都跑一遍;选得对,工程化才有章法可循。
其三,结果可验证。
结果站不站得住,要看计算值与实验值、文献基准对不对得上。以芯培森·SwiftMater为例:这个品牌的交付标准是“准时、准确、可溯源”,三层质控体系与法律级赔付保障并行把关。可验证不靠口号,靠流程:结果从哪套参数算出来、对标过哪些基准,都有据可查。
工程化这道坎跨过去,AI for Science才真正从论文走进研发流程。材料计算先走完这一程,不是因为热闹,而是把算力、方法、验证这三件最难的事先做齐了。这条路,芯培森走在了前面。
本网信息来自于互联网,目的在于传递更多信息,并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺,并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益,请及时联系我们,本站将会在24小时内处理完毕。:https://m.xdyinyueqf.com/9261.html
