電子發燒友網報道（文/梁浩斌）中國超算的高光時刻，是2016年到2017年期間，神威·太湖之光連續四次登頂全球超級計算機TOP 500榜單。但在神威·太湖之光之后，國內超級計算機一直頗為低調，其繼任者神威“Oceanlite”沒有公開太多信息，也沒有再參與TOP500排名。

不過近期中國科學技術大學的一個研究團隊，在神威“Oceanlite”上利用大規模神經網絡，實現了量子化學模擬的突破，在真實分子尺度下完成復雜量子化學建模。該成果也在近期發布在高性能計算領域頂級期刊IEEE TPDS上。

量子化學是什么？

量子化學研究的其實是分子、原子層面的量子行為（如電子云分布、化學鍵作用），比如通過捕捉化學反應中間的 “過渡態”（反應最關鍵、最短暫的步驟），來解釋實驗無法理解的反應本質。

然而這些過程根本無法通過傳統實驗直接觀測或精準控制，首先電子運動速度極快，且一旦實驗設備對其進行觀測就會干擾其狀態。

在微觀尺度下，分子的量子行為遵循薛定諤方程，但直接求解這一方程的計算量會隨著電子數量的增加呈指數級爆炸式增長。例如，一個僅包含 10 個電子的分子，其可能的量子態就超過 10 萬億種，而真實的藥物分子或催化劑往往包含數十個電子和上百個自旋軌道。

那么如何計算？傳統的近似方法如密度泛函理論（DFT）雖然能處理較大規模的系統，但在描述強電子關聯現象（如化學鍵的斷裂與形成）時會出現顯著誤差。量子計算機理論上能解決這一問題，但其當前仍處于含噪聲中等規模（NISQ）階段，無法支撐實際科研需求。

簡單來說就是“實驗做不到，計算太復雜”。

如何在超算上實現量子化學模擬？

這次中國科學技術大學研究團隊的核心是突破神經網絡量子態（NNQS）在大規模電子結構分析中的瓶頸，實現真實分子尺度的量子模擬，無需依賴未來的量子計算機。

團隊利用神威“Oceanlite”超算，開發了一個名為數據并行NNQS-Transformer框架，在這個框架中主要有三大核心創新。

首先是采用了混合架構設計，研究團隊將Transformer 的注意力機制引入量子波函數構建，通過動態捕捉電子間的長程相互作用，解決了傳統神經網絡量子態（NNQS）在強關聯系統中的精度不足問題。

其次是使用了分層通信模型，針對神威“Oceanlite”超算采用的 SW26010-Pro CPU，單芯片384核心，整機4100萬核心集群的獨特架構，設計了管理核心（MPE）與計算核心（CPE）的分工體系。管理核心負責節點間通信，而配備 512 位向量引擎的 CPE 專注于本地量子計算，包括隨機采樣等，顯著提升了數據訪問效率。

SW26010 Pro是SW26010的升級版，CPU核心架構從上一代4個核簇升級為6個，每個核簇由一個MPE和64個CPE組成，MPE擁有32KB L1指令緩存、32KB L1數據緩存以及512KB L2緩存。每個CPE擁有32KB的L1指令緩存和256KB軟件管理的高速臨時存儲。

最后，團隊在3700萬個CPE核心上進行量子化學模擬計算，在龐大規模的核心數量下，通過實時調整各個核心的任務分配，實現了92%的強擴展性和98%的弱擴展性，即無論是提高問題規模還是增加超算核心規模，都能保證系統性能，確保了超大規模計算中的資源高效利用。

神威超算的SW26010-ProCPU采用本地內存而非緩存的設計，原本更適合規則化的 AI 訓練任務，但量子化學模擬需處理隨機采樣、不規則局域能量計算，所以還需要針對性改造算法。為適配量子化學的不規則計算特性，團隊采用Julia語言進行代碼開發，利用其可移植性和高性能特性，結合底層優化實現了與硬件的無縫對接。

最終，該團隊成功模擬了包含120 個自旋軌道的分子系統，這是目前經典超算上規模最大的 AI 驅動量子化學計算。

新材料、藥物研發領域前景廣泛

計算機模擬量子化學的基本目的是理解自然規律，通過計算機模擬，可以捕捉化學反應中間的 “過渡態”，解釋實驗無法理解反應本質。在實際應用中，通過模擬還原一些自然環境中產生的化學反應，比如模擬光合作用，電子在葉綠素中的傳遞路徑、過渡態的能量變化，為人工光合制氫提供理論指導。

而在這個過程中，對微觀現象的模擬對于創造新的材料更是突破性的新模式。在藥物研發領域，通過計算機模擬藥物分子與疾病靶點，如蛋白質、病毒等的量子相互作用，預測 哪種分子能精準結合靶點、阻斷疾病通路。

在材料領域，通過模擬分子、原子的量子結構，預測材料的物理化學性質，如導電性、催化活性、強度等，再反向設計出符合需求的材料。比如用于研發更高效的燃料電池催化劑、固態電池的電解質材料等。

寫在最后

從該項研究成果可以看出，超算硬件算力基礎，與軟件生態系統能力的高度配合同樣重要。目前中國神威“Oceanlite”超算不再參與算力排名，或許也表示國內超算的指標，從單純追求硬件參數，轉向了追求科研平臺落地，構建自主的超算生態。

同時也證明了量子計算機實用化之前，經典超算與AI結合，仍有非常大的潛力可以挖掘。