芯培森推出原子级专用算力芯片 APU，欲改变材料研发「先实验后计算」路径

一款新材料从实验室走向落地，往往要经历多轮「配方调整—样品制备—性能测试」的试错，周期常以年计。芯培森认为，这一场研发范式的瓶颈并不只在实验本身，而是缺乏可在不同材料体系间迁移的「第一性」计算能力。它近日推出的原子级物质计算专用算力单元 APU（Atomistic Processing Unit），以及配套的赫曦服务器，正瞄准这一问题。

试错法为何难以积累

传统经验试错法的成本不仅是费用，更是知识沉淀的困难。课题组在某一材料体系上跑通的配方思路，往往难以迁移到另一体系——合金上验证的规律，在陶瓷上可能完全失效。这是因为实验结果很难被定量归因到某一个微观因素，成功的配方常常只能停留在「成功本身」，无法被系统地优化。

这意味着每一轮新材料研发近乎从零开始，本质上是知识积累方式的瓶颈。

从 DFT 到 MLMD：计算方法的演进

计算材料学提供了不同路径。密度泛函理论（DFT）从量子力学层面求解基态电子结构，精度高，但计算量随体系规模急剧上升；分子动力学（MD）通过积分原子运动方程呈现动态行为，单步成本低、可处理体系更大，但精度依赖势函数质量。近年的机器学习分子动力学（MLMD）用 ML 训练出的势函数替代传统经验势函数，在保持接近 DFT 精度的同时，显著拓展了可模拟的体系与时间尺度，是该领域最受关注的进展之一。

但当计算方法不断成熟后，制约因素逐渐从算法转向硬件——再好的算法也需要算力来落地。

原子级模拟撞上「两道墙」

原子级模拟是一类颇为苛刻的计算负载。以百万原子量级的分子动力学模拟为例，每个时间步都要计算全部原子间的相互作用力；若采用第一性原理 MD，这些力还需由电子结构求解在每个时间步重新计算，计算量随原子数急剧上升。

通用 CPU/GPU 架构将「存」与「算」天然分离：数据需先从内存搬运到运算单元。搬运不产生结果，但消耗的能耗是实打实的，由此衍生出存储墙与功耗墙。两道墙叠加，大体系原子模拟在通用算力上难以落地。单纯堆叠硬件规格——更大显存、更多 GPU——可缓解症状，但无法触及架构层面的设计逻辑。

芯培森 APU：为原子模拟重设计算力

芯培森 APU 采用「非冯·诺依曼」架构，让数据紧靠存储位置参与运算，压缩数据搬运开销。其赫曦服务器采用 CPU+GPU+APU 的超异构计算架构，可同时承载 AI 模型训练与推理、DFT 计算与 MD 计算：处理原子模拟时由 APU 承担主要任务，需要通用计算时 CPU/GPU 照常工作。

据芯培森负责人介绍，在 MLMD、DFT 等原子级科学计算场景中，相较通用 CPU/GPU（对比基准为 1 张显存 80GB 的 A800），APU 计算速度有显著提升，能耗有显著下降。以约 110 万原子的高熵陶瓷冲击模拟为例，仅使用赫曦集群 1 个计算节点即可完成；借助其机器学习势函数训练方法，势函数训练成本约为传统方案的三分之一。

算力之外的三元闭环

算力仅是第一道门槛。芯培森同步配套了智能体「芯培森·MaterPlato」（承担自动建模、参数寻优、报错预判与辅助后处理）与计算服务「芯培森·SwiftMater」（由全职硕博团队直接对接用户），加上作为统一入口的超级终端「芯培森·MaterHaven」，三者构成「算力—工具—服务」三元闭环。

从经验试错到科学计算，材料研发范式的迁移是一个慢变量。芯培森的尝试，是把其中三件事往日常流程里推一步：算力是否随取随用，工具是否无需额外学习成本，计算结果是否可靠、可溯源。当科研人员面对一个新材料问题时，「第一反应是走进实验室做一轮实验，还是先在电脑上算一算」——这个转变，才是衡量这场范式迁移是否真正发生的最朴素指标。