计算科学与仿真

2026-09-26 · 基础科学前沿

最后更新：2026-09-26 ｜领域：科学·计算科学与仿真｜说明：信息来源为公开网络资料，详见文末参考来源

概述

计算科学以数值方法、算法与高性能计算（HPC）求解无法解析处理的数学模型，覆盖分子动力学、计算流体力学（CFD）、电子结构计算、数字孪生等方向。2025–2026 年最显著的趋势是"AI 与物理模型融合"：机器学习势函数、神经算子与代理模型被引入传统求解流程，同时 E 级（exascale）超算为大规模仿真提供了算力底座。

最新进展（2025–2026）

E 级超算与算力格局。 TOP500 2025 年 11 月榜单显示，劳伦斯利弗莫尔国家实验室（LLNL）的 El Capitan 以 HPL 实测 1.809 EFlop/s 继续位居第一，并在 HPCG 榜单以 17.41 PFlop/s 居首；其同门系统 Tuolumne 以 208.1 PFlop/s 位列第 12（El Capitan retains title as world's fastest supercomputer in latest Top500、TOP500 November 2025）。欧洲首台 E 级系统 JUPITER Booster 以 1.23 EFlop/s 位列第四（全球新一期TOP500超算公布欧洲首台E级超算破局）。

机器学习原子间势（MLIP）与分子动力学。 Allegro-FM 面向 E 级分子动力学，覆盖元素周期表 89 种元素，可用于结构关联、反应动力学、力学强度、断裂与固液溶解等任务，并展现出一定的涌现能力（Allegro-FM: Toward an Equivariant Foundation Model for Exascale Molecular Dynamics Simulations）。有工作把十亿参数级通用 MLIP 的训练部署到两台 E 级超算上，单精度峰值达 1.2/1.0 EFLOPS（理论峰值的 24%/35.5%），并行效率超 90%，把训练从数周压缩到数小时（Breaking the Training Barrier of Billion-Parameter Universal Machine Learning Interatomic Potentials）。DPA4C 报告单张 H20 GPU 可同时模拟 1405 万原子，在 1024 张 V100 上扩展到 20.48 亿原子并保持 80% 以上效率（10 Million Atoms on a Single GPU, 2.048 Billion Atoms on a Thousand GPUs）。另有研究通过压缩特征向量与中间张量的显存占用，把 MLIP 的 HBM 足迹降至现有方案的 3% 以下，以解锁多组分块体材料模拟（Unlocking Multi-Component Bulk-Materials Molecular Dynamics with a Small-Footprint Machine Learning Interatomic Potential）。

神经代理模型与算子。 SMART 用 Transformer 从几何点云直接预测气动物理量，不依赖仿真网格（SMART: Scalable Mesh-free Aerodynamic Simulations from Raw Geometries using a Transformer-based Surrogate Model）。PhysGuard 利用仿真数据上的经验 Fisher 信息矩阵识别"物理关键"参数方向，从而约束微调以保留物理结构，服务于神经算子的仿真到现实迁移（PhysGuard: Fisher-Guided Gradient Projection for Sim-to-Real Neural PDE Surrogates）。针对受约束多物理场，cellular sheaf 神经算子被用于结构保持的代理建模，改善滚动行为、散度控制与谱误差（Cellular Sheaf Neural Operators for Structure-Preserving Surrogate Modeling of Constrained PDEs）。此外，"间接神经校正器"主张把学习到的校正项嵌入控制方程而非直接更新状态，以降低时间步长与 Lipschitz 常数带来的误差放大（Indirect Neural Corrector）。

CFD 与数字孪生。 出现面向非 CFD 专业的开源、云原生数字孪生框架，支持在线配置与执行 CFD 仿真，服务规划师、建筑师等终端用户（AN OPEN-SOURCE FRAMEWORK FOR CFD-BASED DIGITAL TWINS: A CASE STUDY ON STORM WATER MANAGEMENT）。NIST 基于高速吸收成像测量构建了原子层沉积（ALD）工艺中 MoCl5 瞬态输运的三维时变 CFD 数字孪生（A CFD-Based Digital Twin Framework for Transient MoCl5 Transport in an Experimental Atomic Layer Deposition Process）。商用侧，Cadence、西门子、新思与达索等正借助 CUDA-X 与 Blackwell GPU 把求解器加速一个数量级，并把实时结果集成进数字孪生（计算流体动力学 (CFD) 仿真）。

电子结构计算。 DeePHF 结合神经网络与量子力学描述符，在保持 DFT 效率的同时逼近 CCSD(T) 精度（A Deep Learning-Augmented Density Functional Framework for Reaction Modeling with Chemical Accuracy）。机器学习哈密顿量预测可达毫电子伏级精度（如 DeepH-E3 在石墨烯约 0.4 meV、HamGNN 在 QM9 约 1.5 meV），相较传统 DFT 加速 3–5 个数量级（机器学习赋能电子结构计算: 进展、挑战与展望）。NN-xTB 在 GMTKN55 基准上取得 4 kcal/mol 的 WTMAD-2，以接近半经验方法的成本达到类 DFT 精度（Machine-Learning Adaptivity, DFT-Level Accuracy, and Semi-Empirical Quantum-Chemistry Speed with Neural-Network Extended Tight-Binding）。也有工作面向分子、固体与反应表面训练机器学习的交换—关联泛函（Machine-learned exchange-correlation functionals for molecules, solids, and reactive surfaces）。

核心技术与关键概念

数值方法：有限差分、有限元、有限体积、谱方法；离散化、稳定性与收敛性分析。
HPC 与并行：MPI/OpenMP、GPU 加速、混合精度、通信与负载均衡；Rmax/Rpeak 与 HPCG 等基准口径。
多尺度与耦合：从电子结构到连续介质的跨尺度方法、多物理场耦合。
代理模型与不确定性量化（UQ）：神经算子、物理信息神经网络、仿真到现实的迁移。
数字孪生：以观测锚定的物理模型 + 实时数据同化，服务于设计、运维与"假设"情景。

趋势与争议

物理一致性 vs 数据拟合：守恒律、长期滚动稳定性与纯数据驱动的精度之间存在张力，需专门的正则化或结构约束。
泛化边界与可验证性：AI 代理模型在训练分布外的可靠性缺乏统一评估标准。
算力与能耗成本：E 级规模的训练与仿真带来显著能耗与资源门槛，大模型与小足迹方案的路线之争仍在继续。