数据驱动的科学：AI如何革新HPC领域

对许多从事高性能计算（HPC）的人而言，工作流程大致如此：科学首先用微分方程刻画世界；只要解出或近似这些方程，就能追踪模型随时间的演化——天气预报便是典型例子。而在量子力学里，积分微积分则被用来预测原子与分子的能级。

所有这些方法的核心都是基于理论或第一性原理（基本物理规则）的模型，这些模型反映了自然界的行为方式。最终的仲裁者当然是自然，而模型根据各种因素提供不同程度的准确性。有些模型表现出色，通常需要大量的计算时间来遍历所有数学运算。

经典粒子（质量为m）的运动学量：位置r、速度v、加速度a。

高性能计算（HPC）自诞生以来便以这种方式发展。随着可移植FORTRAN编程标准的引入，开发者可以专注于开发和改进其计算模型，而无需针对各种机器的细微差别和差异进行编程。这些模型统称为“模态仿真（Modsim）”（模型与仿真），并持续推动HPC市场向更大、更快的机器发展。

各种超级计算设计已被开发用于运行模态仿真（Modsim）代码。从最初的向量处理器到并行集群和大规模并行GPU，HPC以利用任何可用硬件或软件来增加模型规模和/或性能而闻名。

大规模人工智能（AI）建模的出现改变了这种久经考验的HPC计算公式。大型AI模型可以在模态仿真（Modsim）数据上进行训练，生成“数据模型”，这些模型能够以更少的时间准确求解传统数学模型，而无需求解底层的物理原理。

这个出人意料的结论在传统HPC从业者眼中既引人注目，又在某种程度上是“亵渎神灵”的。受物理定律约束的过程，如何能“仅仅通过数据”进行建模？

物理学的结构

暂且不提对通用人工智能（AGI, Artificial General Intelligence）的追求，我们来思考当前生成式AI大型语言模型（LLM, Large Language Model）的运作方式。通过对大量文本数据进行采样，它们学习了英语中Token（单词）之间的统计关系。（这种分析也适用于其他语言，并且大多数模型都是基于从互联网上抓取的英语内容。）众所周知，LLM利用这些关系，根据用户提示来补全句子、段落乃至书籍。例如，一个LLM可能会生成以下句子：

带把伞，因为明天会        

根据所学习的模型，下一个词有很高的概率是“下雨”、“细雨”、“暴风雨”，或与“下雨”相关的其他词或短语。选择取决于LLM的温度（Temperature）设置；低温度意味着选择最可能的词，高温度意味着随机选择一个候选词。低温度也意味着对相同提示的回答几乎相同，而高温度将提供不同的响应。如果设置过高，则会导致完全随机的响应。温度设置会影响LLM中的幻觉（即错误的词或短语）。

LLM的有效性在于它们能够识别英语中的关系结构。语言存在一定的结构或规则，没有它，语言将无法存在。语言的结构是灵活的，提供了多种表达相同事物的方式组合，这就是为什么LLM中的温度是使响应听起来更像人类的有效方式。（例如，我们甚至可以理解《星球大战》中的尤达大师。）

语言中有一个结构更为受限的领域，那就是计算机软件。编程语言具有非常具体的结构，并且仅限于一组基本词汇或操作。像自然语言一样，它们仍然允许许多不同的路径通向相同的结果，但与典型的LLM提示的响应不同，计算机程序可以自动检查其准确性，并且可以轻松过滤掉错误的结果。

科学，包括物理学、化学和生物学，也具有一种结构或规则，这种结构或规则最终由科学定律决定，例如牛顿运动定律或量子力学中的薛定谔方程。科学模型所依据的数学所施加的结构通常比人类语言的结构更严格。

即使是混沌（例如流体流动）的研究也具有与之相关的结构或规则。混沌系统曾被认为是难以处理的，其特征是无序的随机状态。然而，在混沌行为中，存在着潜在的模式、相互连接、持续的反馈循环、重复、自相似性、分形和自组织。

对物理定律的遵循为物理系统中的关系提供了结构。通过AI训练，这种结构塑造了物理系统各个方面之间的关系，所有这些都可以被模型学习。由于这些模型是数字而非文本，它们通常被称为大型定量模型（LQM, Large Quantitative Model）。这种学习类似于LLM如何通过一个词与文本语料库中其他词的关系来定义它。

计算中的验证

迄今为止，最大的成功或许是Alphabet（谷歌）DeepMind的AlphaFold所取得的成果，它利用AI根据初始肽链（由细胞DNA序列定义）来确定蛋白质如何折叠。使用传统模态仿真（Modsim）方法计算可能的蛋白质构型被认为（并且仍然是）一个计算上困难的问题，因为可能的组合（折叠类型）数量极其庞大。AlphaFold在现有蛋白质数据上进行训练，并通过消除不太可能的结构来限制搜索；它已成为确定蛋白质结构（或至少消除不太可能的结构）的事实方法。AlphaFold的作者，谷歌DeepMind的Demis Hassabis和John Jumper，分享了2024年诺贝尔化学奖的一半，该奖项是“为了蛋白质结构预测”而颁发的。一个类似的开源工具OpenFold也向科学界开放，它使用相同的AI增强方法来加速模态仿真（Modsim）计算。

除了蛋白质折叠之外，AI增强型HPC还有许多其他例子。正如HPCwire文章所描述的，Aurora AI驱动的大气模型比传统系统快5000倍，据Aurora模型的开发者微软（不要与Argonne的Aurora超级计算机混淆）称，该模型在以前的天气数据（计算和测量）上进行训练，其预测速度比数值集成预报系统快约5000倍。Aurora数据模型的准确性（与模态仿真Modsim结果和实际天气相比）与传统数值模型相同或更优。它可以通过增加数据集多样性和模型大小进行“调优”。

最近，伯克利实验室与Meta合作，发布了Open Molecules 25 (OMol25)和Universal Model for Atoms (UMA)供公众使用。Open Molecules是一个包含超过1亿个3D分子快照的集合，其性质已使用密度泛函理论（DFT, Density Functional Theory）计算。DFT是一种极其强大（且计算开销大）的工具，用于建模原子相互作用的精确细节，使科学家能够预测每个原子上的力和系统的能量，这反过来又决定了分子运动和化学反应，从而决定了更大尺度的性质，例如电解质在电池中如何反应或药物如何与受体结合以预防疾病。使用传统分子动力学模拟（DFT）结果来训练机器学习模型可以提供相同水平的分子预测，但比传统DFT分子动力学模拟数值方法快10,000倍。

我们如何知道答案是正确的？

对AI持怀疑态度是合理的。请记住，“AI”一词涵盖了广泛的方法论，本身并没有严格的定义。AI方法的不同形式可能利用能够使计算机模拟人类学习、理解、问题解决、决策、创造力和自主性的技术。AI应用范围从基本的统计监督学习模型到由OpenAI、Google、Meta等公司提供的大型LLM。

更大的模型和通用人工智能（AGI）的主张正受到持续的审视。无论是由于缺乏“世界观”而下棋（表现不佳），还是无法解决超越记忆解决方案的经典AI难题“汉诺塔”，最新、最强大的LLM仍然存在一些不足之处。此外，LLM的幻觉并非没有后果，正如作为法庭文件一部分提交的虚构法律幻觉的增长所表明的那样（有人没有检查他们的工作）。

这些担忧对于任何形式的AI都是有效的，包括数据过拟合或欠拟合、特征生成、数据溯源等问题。LLM和科学模型之间的关键区别在于对物理结构与语言结构的依赖。作为优秀的科学家，计算结果总是需要与现实世界进行验证。

衡量任何计算值准确性的唯一方法是将其与物理系统进行比较。例如，许多原子和化学性质可以通过模态仿真（Modsim）程序计算。解决方案的一部分可能是几何和/或能级，可以通过与现有（或测量）光谱信息进行比较来验证。现实永远是最终的检验标准。

在上述DFT示例中，结果的验证至关重要。数据模型带来的运行时间缩短无疑将导致基于DFT的方法使用量增加。最近一篇题为《如何通过可复现和通用工作流验证密度泛函理论实现的精度》（How to verify the precision of density-functional-theory implementations via reproducible and universal workflows）的论文，由四十五位作者共同撰写，表明了对模态仿真（Modsim）和AI增强型HPC方法验证的重视。

AI用于科学有所不同

关于AI的一个常见误解是它将取代现有流程和系统。虽然这个目标在其他领域可能成立，并且历史上计算机通常也是如此，但HPC数值模态仿真（Modsim）方法是正在开发的新AI数据模型不可或缺的一部分。事实上，为了训练HPC-AI模型，准确的数据是必需的。HPC领域比企业领域具有显著优势，因为它可以使用既定的数值建模和仿真（Modsim）方法创建自己的模型数据。此外，这些数据可以根据所需的特定模型训练类型进行微调。例如，如果需要特定类别的分子，可以生成示例并用于训练针对此特定情况的模型。

此外，科学以及HPC具有企业领域所不具备的要求，包括可复现性、开放性、协作和文档（如研究论文所示）。在科学领域，信息的创建和数据流非常不同。

需要明确的是，AI增强型HPC所提供的加速不一定是“免费午餐”。训练模型所需的计算资源可能会抵消数据模型的速度增益；然而，这取决于模型的训练是多么具体或通用。

未来将如何发展？

传统模态仿真（Modsim）结果与基于数据的AI模型之间的协同性质，以及必要的大数据管理方法，已经创造了一个数据发现的良性循环，这将加速科学发现。如下图所示，一个循环可以建立在每一个过去的发现循环之上。考虑图中的每个步骤：

1. 科学研究与HPC： 重大挑战性科学需要HPC能力，并有能力生成大量模态仿真（Modsim）数据。
2. 数据馈送AI模型： 数据管理至关重要。大量数据必须进行管理、清洗、整理、归档、溯源和存储。
3. “数据”模型改进研究： 借助数据洞察，AI模型/LLM/LQM分析模式，从示例中学习，并进行预测。HPC系统是用于训练、推理和预测步骤1的新数据所必需的。
4. 持续迭代

AI增强型科学的机会并未被忽视。万亿参数联盟（TPC, Trillion Parameter Consortium）的成立旨在解决AI和科学的独特需求。正如已经概述的那样，科学发现的需求与企业组织的需求截然不同。特别是，对开放数据和流程的要求对于科学进步至关重要。TPC是一个开放社区，基于并向所有有兴趣利用AI方法进行HPC和科学的科学家和工程师开放，包括编程、代理系统、AI增强型模型和报告。

----------

参考资料：Eadline, D. (2025, July 10). The unlikely reasonableness of AI-augmented HPC. HPCwire. https://www.hpcwire.com/2025/07/10/the-unlikely-reasonableness-of-ai-augmented-hpc/

本文转载自​​​​​​​​Andy730​​​​​​​​，作者：常华​