原子模擬嗰個「快唔夠」
做化學、材料、機械失效嘅原子層級模擬，一直有個兩難：精確度同成本。量子力學嘅密度泛函理論（DFT, density functional theory）夠準，但算大系統或長程模擬時，計算量會爆。傳統經典互原子潛能（interatomic potentials）快，但固定函數形式，喺唔同原子環境下準確度及通用性有限。
用神經網絡預測勢能同原子間力嘅 MLIP（machine learning interatomic potentials，機器學習互原子潛能）就填呢個缺口：用 neural network 以低成數嘅代價預測能量與力，令研究員可以研究更大系統、更長時序。
點解 MLIP 多數仲行 FP32
NVIDIA 喺 2026 年 10 月 29 日發布嘅技術博客講到，原子模擬對細小誤差好敏感，而細小誤差會隨時間累積；最明顯係喺計算「力」嗰一刻——力係由預測能量微分得出。分子動力學（molecular dynamics）入面，呢啲力每步都推動原子速度同位置更新，積少成多，所以數值精度唔止影響物理準確，仲決定軌跡穩定。
所以好多 MLIP 都繼續用 FP32 做 inference，就算 NVIDIA GPU 上低精度 Tensor Core 嘅矩陣乘法吞吐量明顯更高。
圖片：Coolcaesar／CC BY-SA 4.0／Wikimedia Commons
Tensor Core FP32：拆細再組返
博客介紹嘅思路係將 FP32 運算元拆入低精度成分，喺 Tensor Core 上計算互乘，再喺 FP32 上重新組合成結果。呢個做法可以：
- 提升矩陣乘法吞吐量
- 精度接近原生 FP32
- 唔使重訓模型，亦唔使改動模型權重或架構
測試對象：EPFL 嘅 PET
博客選咗 Lab COSMO（EPFL）開發嘅 Point Edge Transformer（PET）做測試對象。PET 係 transformer-based MLIP，大部分運行時間用喺高度優化嘅 GEMM（general matrix multiplication）上，可優化空間有限，正正係一個「硬骨頭」測試場景。
具體方法：
- BF16x9：喺 NVIDIA Blackwell GPU 上測試
- TF32x3：喺 NVIDIA Ampere GPU 上測試
對照項目涵蓋 kernel 層級、端到端分子動力學性能、軌跡層級行為，另加 TF32x3 嘅勢能平滑度、能量守恆同結構鬆弛。
模姐驗嚇貨
對研究圈嘅實際意義，係畀咗一個「唔使重訓、唔使改架構」嘅加速路徑——但實際揀得邊個精度、喺邊塊卡上跑，仲要自己喺自己嘅 workload 上驗證。
模姐｜深度調教
