英伟达提出两项 GPU 优化方法,将平面波密度泛函理论(DFT,一种计算材料电子结构的方法)计算中的能量、力和应力数据生成速度提高约 1.8 倍和 2.4 倍。对训练下一代机器学习原子间势(MLIP,让模型学习原子间相互作用)而言,瓶颈正从模型训练转向高质量训练数据生产。

这是什么

平面波 DFT 计算资源消耗大、数据生成慢。英伟达的新方法分别通过 K 点批处理(把多个布里渊区采样点合并计算)和混合精度(对不同计算环节采用不同数值精度)提高 GPU 并行效率,目标是缩短材料模型的训练准备周期。

行业怎么看

这项优化的价值不在于让 DFT 本身“更好”,而在于让科研团队更快获得训练所需的标准答案,有望推动材料发现、催化剂设计和电池材料筛选。但风险也明确:混合精度可能影响特定体系的结果稳定性,实际加速幅度会随材料、计算规模及硬件配置变化,不能直接等同于全部模拟任务提速。

对普通人的影响

对企业 IT:材料、制药和化工研发机构可能获得更高效的算力投入方式,但部署前仍需验证精度,并核算软件许可、硬件与人才成本。

对个人职场:与材料模拟相关的工程和科研岗位会更熟悉 GPU 性能调优;短期内核心价值仍来自掌握领域知识和计算方法的人,而非仅会调用加速工具。

对消费市场:若计算效率持续提升,新电池、合金或化工材料的研发周期可能缩短,但产品降价与普及仍要经过实验验证、量产和供应链环节。