基于NVIDIA Blackwell架构的混合精度从头算张量网络态方法：FP64模拟与化学精度验证

《Journal of Chemical Theory and Computation》：Mixed-Precision Ab Initio Tensor Network State Methods Adapted for NVIDIA Blackwell Technology via Emulated FP64 Arithmetic

本研究针对NVIDIA Blackwell架构优化了混合精度DMRG算法，利用FP64模拟技术首次在FeMoco等复杂体系中实现毫哈特里级化学精度，为GPU加速量子化学计算提供了关键验证。论文发表于《Journal of Chemical Theory and Computation》。

　　

在人工智能（AI）浪潮的推动下，GPU硬件正以前所未有的速度迭代，NVIDIA的Blackwell架构便是最新的集大成者。然而，AI训练与科学计算之间存在一道关键的“精度鸿沟”：AI模型对低精度（如FP16）计算具有极高的容忍度，而量子化学等科学计算领域通常要求严格的FP64（双精度）精度，因为只有这样才能达到与实验相当的“化学精度”（约1.6 mHa）。如何在面向AI优化的低精度硬件上，高效且准确地运行高精度的科学计算任务，成为了当前计算化学领域的核心挑战。

在此背景下，一篇发表于《Journal of Chemical Theory and Computation》的研究论文《Mixed-Precision Ab Initio Tensor Network State Methods Adapted for NVIDIA Blackwell Technology via Emulated FP64 Arithmetic》提出了一个创新的解决方案。该研究团队将目光投向了混合精度计算与FP64模拟技术，旨在利用Blackwell架构强大的低精度算力，通过算法创新来“模拟”出FP64的精度，从而在保持化学精度的前提下，大幅提升计算效率。

关键技术方法

本研究在NVIDIA DGX B200系统上，利用预发布的cuBLAS库，通过Ozaki方案将FP64运算分解为多个INT8“切片”（slice）进行FP64模拟。针对F₂分子、FeMoco [CAS(113,76)]及细胞色素P450 [CAS(63,58)]等强关联体系，系统评估了不同切片数（κ=2–7）对DMRG基态能量精度的影响，并与原生FP64结果进行对比，验证了混合精度方案在复杂量子化学计算中的可靠性。

研究结果

1. 数值精度与稳定性验证（F₂分子基准测试）

研究首先以F₂分子CAS(18,18)为模型，对比了不同键维（D_SU(2)= 1024, 8192）下，κ=6,4,3,2切片模拟FP64与原生FP64的性能。结果显示，κ=6时能完全复现FP64结果，达到化学精度；κ=3是维持化学精度的临界点；而κ=2（类半精度）则出现显著误差，甚至违反变分原理，表明过低精度无法满足DMRG算法的稳定性要求。

2. 复杂生物酶体系的应用挑战

在FeMoco [CAS(113,76)]和CYP450 [CAS(63,58)]等真实生物酶体系的计算中，研究进一步证实了FP64模拟的可行性。通过调整DMRG内部截断参数（如Davidson求解器的残差阈值ε），研究发现即使在高维张量运算中，通过FP64模拟也能有效控制累积误差，为利用Blackwell架构处理超大规模量子化学问题扫清了障碍。

结论与意义

本研究首次在量子化学关联计算中系统评估并验证了基于固定点运算的FP64模拟技术。结果表明，通过混合精度策略，可以在NVIDIA Blackwell架构上实现毫哈特里级别的化学精度，且不会牺牲DMRG算法的变分稳定性。这项工作不仅为Blackwell GPU在科学计算领域的应用提供了关键的性能与精度基准，更开创了利用AI优化硬件加速高精度科学计算的新范式，对材料科学和药物设计等领域具有重要的推动作用。