MatPL-2026.3重磅升级：打破MLFF分子动力学模拟的边界
训练效率：梯度优化的革命性突破
训练效率：梯度优化的革命性突破
MatPL-2026.3引入了Adam等梯度优化器的并行训练策略，训练速度进一步提升，能胜任包含数百万结构数据集的训练任务。
我们在多个典型体系上对MatPL（梯度优化）与GPUMD（SNES演化策略）进行了严格对比，所有测试均采用相同的训练数据和NEP超参数。
结果显示：MatPL在保持卓越最终精度的同时，实现了同等或更快的收敛速度。这意味着用户可以用更短的时间获得同等高质量的NEP势函数——对于资源有限的课题组，这尤其友好。
MD性能飞跃：速度与规模的双重突破
MD性能飞跃：速度与规模的双重突破
如果说训练效率的提升让势函数构建更便捷，那么MD模拟性能的飞跃才是此次升级的重头戏。
在NVIDIA RTX 4090单卡上，我们对液态水体系进行了NVT系综模拟，结果令人振奋：MatPL-2026.3在全体系规模下的模拟速度持续领先。
内存优化：突破单GPU极限
更值得一提的是MatPL在内存效率上的突破。通过优化的近邻表构建算法，MatPL在单张RTX 4090上可模拟的体系规模多出20%。这意味着许多此前需要多卡集群才能完成的任务，如今单卡即可轻松应对。
大规模扩展：100 GPU的极致效能
大规模扩展：100 GPU的极致效能
MatPL打破了NEP力场无法跨节点并行模拟的限制，有着强大的扩展能力。我们进一步在多达100张NVIDIA RTX 3080 Ti GPU上验证了MatPL的扩展性：
弱扩展：每卡负载不变，规模线性扩大
每卡固定处理约265万原子，总原子数从265万扩展至2.65亿（100卡）。结果显示：
通信开销始终低于2.7%，56G IB网络完全胜任
并行效率缓慢下降：64卡时效率84.7%，100卡时71.9%，仍保持较高水准
罪魁祸首是GPU计算效率降低：每个原子的计算时间从单卡的135.8 ns增加到100卡的185.0 ns（+36%）。这是因为12GB显存在265万原子下已近饱和，并行后通信缓冲、临时数组等进一步争抢显存带宽、PCIe总线、GPU内部资源，导致GPU“分心”变慢。
测试数据证明，MatPL已为亿级原子、DFT精度的分子动力学模拟做好了准备。
强扩展：体系固定，GPU越多越快？
固定模拟265万原子，从1卡逐步增加到100卡。结果显示：
前8卡效率保持94%以上，说明软件并行开销极小
随着GPU继续增加，效率逐渐下降，100卡时降至64.4%，并行效率仍然不错。效率下降的主要原因是，每卡处理的原子数从265万锐减至2.6万，GPU“喂不饱”，计算资源闲置，同时通信占比从0.15%升至20%。
测试结果证明了MatPL软件能力的优秀，在硬件受限下仍能实现极高的并行效率。更详细的MatPL介绍与测试结果见文章链接：
/ END /
