当前科学计算面临的核心困境在于精度与效率的矛盾；传统高精度计算虽然准确可靠，但计算速度相对缓慢；而新一代GPU芯片虽然运算速度快，却因低精度设计而难以满足科学研究的严苛要求。这个矛盾长期制约着科学模拟发展效率。 美国太平洋西北国家实验室、匈牙利维格纳物理研究中心与有关科技企业的最新合作研究，为这一难题提供了创新解决方案。研究团队通过深入分析GPU硬件特性，创造性地引入混合精度算法框架，将快速低精度计算与选择性高精度步骤相结合，在保证科学准确度的前提下，利用现代芯片的计算优势。 这一突破的技术基础是FP64仿真方法。该方法将64位双精度数字表示为一组较小的定点切片，利用GPU内部的张量核快速处理这些切片，随后将结果重新组合以获得与原生双精度计算相当的精度。这种巧妙的数学转换，使得为人工智能工作负载优化的硬件架构，意外地成为了科学计算的理想平台。 研究团队在量子化学领域进行了严格验证。他们选择了两个极具挑战性的分子系统作为测试对象：参与天然氮生产的复杂金属簇FeMoco和药物代谢中的关键酶细胞色素P450。这两个系统都具有重金属中心和多电子特征，传统建模方法难度极大。实验结果表明，采用新方法在GPU上获得的模拟结果与传统高精度计算结果高度吻合，完全满足化学精度要求。 更令人瞩目的是计算效率的提升。研究团队在这些复杂酶系统的模拟中实现了90%至95%的GPU利用率，这一数字即使在大型语言模型训练中也属于极高水平。这充分说明，为人工智能应用精心优化的硬件架构，在适当的算法指导下，能够以出人意料的方式适配科学计算需求。 这项研究的深层意义在于揭示了人工智能与高性能计算之间日益紧密的融合趋势。随着GPU架构不断演进以支持规模更大的人工智能模型，这些硬件创新正在溢出到科学模拟领域。处理数十亿甚至数万亿参数的人工智能模型所需的硬件进步，如今也能够精确建模原子和分子的行为。这表明，计算产业的技术进步具有显著的跨领域溢出效应。 从更广阔的视角看，这一突破预示着科学计算的新时代。随着人工智能在计算领域占据越来越重要的地位，为机器学习工作负载开发的硬件创新正在源源不断地为科学研究赋能。这种良性互动不仅提升了计算效率，更为复杂科学问题的求解提供了全新的技术路径。
当芯片算力同时赋能AI与基础科研，人类对计算技术的认知正在被刷新。这项研究不仅解决了具体的技术难题，更揭示了一个趋势：在学科交叉地带往往孕育着突破性创新。未来，如何释放硬件的跨界潜力，将成为科技竞争的重要方向。