NAIRR科学计划测评：NVIDIA AI驱动科研新变革

6月22日消息，

先说几个关键信息。美国国家科学基金会（NSF）旗下的“国家人工智能研究资源”（NAIRR）试点项目，已经运行了两年。这两年，它驱动了全美超过700个科研项目，从蛋白质结构预测到传染病爆发管理，覆盖范围相当广。

NVIDIA在这个项目里扮演的角色值得一说：通过云资源，研究人员可以至少连续一个月，专享至少四个NVIDIA DGX节点的算力。同时，NVIDIA还提供全程技术支持，确保研究员在项目期间能顺利上手。

结果也很直接——有了NVIDIA的AI基础设施和DGX参考架构，研究人员把工作流的时间表大大压缩了，并且发掘出了一些能重塑医疗、农业、能源行业的关键技术。

NAIRR面向全国科研者所释放的探索潜力，几乎是无限的。下面具体看几个代表性项目。

Polymathic AI的“井”数据集：物理仿真新解法

仿真到现实（sim-to-real）的管道，现在在工业界已经很常见了——成本更低、部署也更安全。Polymathic AI，一个由Flatiron研究所、剑桥大学和劳伦斯伯克利国家实验室的国际科学家组成的联盟，正借助NVIDIA GPU和NVLink互联技术，用他们的大规模数据集“The Well”来强化物理仿真，特别是流体类模拟。这个数据集的目标，是训练出目前规模最大、适用范围最广的流体行为基础模型。这个叫Walrus的模型，数据和代码、预训练权重都已经公开了。

Polymathic AI的做法是在之前物理预训练工作的基础上延伸的，主要是为了解决目前模型规模和预训练多样性上的限制。研究组还打算探索一些“缩放定律”（scaling laws），希望能加速开发出更强大的科学应用基础模型。

密歇根大学：为储能材料“融合”AI模型

能源是社会的基石，这话一点不假。而要想在储能和转化上有所突破，就得不断设计新材料。密歇根大学由航空航天工程系教授Venkat Viswanathan领导的团队，正在开发一个“模型融合框架”。简单说，就是把做分子领域的AI模型和通用的大语言模型（LLM）结合起来。目标很明确：帮助计算科学家更容易地探索化学空间、用自然语言问化学问题，并且快速锁定有潜力的下一代能源技术材料。

这套分子基础模型叫MIST（Molecular Insight SMILES Transformers），它的设计初衷就是在化学空间里完成发现和探索。MIST模型是在大量未标记分子数据集上预训练的，还用了一个叫Smirk的新型分词器，能更好地从分子表达式中捕捉核、电子、几何、同位素和立体化学信息。MIST已经在超过400种结构-性质关系上做了微调，在电化学、量子化学、生理学等领域的多个基准测试上，能达到甚至超越最先进的水平。

有意思的是，MIST的开发环境正是研究人员从NAIRR项目获得的40-GPU NVIDIA DGX集群，再加上ALCF Polaris集群的20万NVIDIA GPU小时。团队还用了NVIDIA的NGC PyTorch容器，确保不同集群之间的GPU加速开发可以复现。

把MIST和通用LLM融合的效果是，那些高精度的量子化学计算变得更容易访问了，储能和转化系统的设计也提速了——这对交通领域的全面电气化，比如重载和航空业，意义很大。

波士顿大学BEACON：AI流水线让传染病监测“快进”

传染病在社区里传播起来，速度惊人。波士顿大学的Hariri计算研究所和新发传染病中心正在用NVIDIA加速计算，训练和评估一个LLM，通过一条AI流水线支持一个叫BEACON（生物威胁的涌现、分析与通信网络）的疫情监测项目。这个LLM在大量传染病和高流行风险病原体的文献基础上训练，专门为BEACON的领域专家和疫情分析师服务。

模型最终能做的事情很有趣：全球范围内分析新发疫情的在线帖子，提取特征，然后进行下游分类和优先级排序。BEACON会从多种信源中捕捉信号——包括全球疾病追踪平台HealthMap、新闻和社交媒体推送、专家意见，甚至社区论坛和个人通讯——然后生成简明的疫情报告。这些综合性的暴发分析，既能给新发传染病的临床实践指南提供参考，也能指出哪些关键数据还存在缺口。

实际上，国际援助医生、政府组织和学术研究者已经在用BEACON模型快速识别和处置传染病了。波士顿大学Hariri计算研究所的主任Ioannis Paschalidis提到：“以前传染病专家要花好几个小时才能写出一份报告。现在，大约两分钟就够了。”

NAIRR与NVIDIA：全国科研版图上的翻跟斗

当然，前沿研究远不止这些。哈佛、斯坦福、科罗拉多州立大学等很多高校，都在借助NAIRR和NVIDIA的力量实现科学突破。随着研究人员能更广泛地获取AI和加速计算，一个更安全、更健康的未来，比以往任何时候都更触手可及。