从电解质筛选到界面模拟：固态电池研发的算力分工是怎样完成的

从电解质筛选到界面模拟，固态电池研发的计算负载差异很大，靠单一芯片无法覆盖全部环节。直接回答：合理的做法是按研发环节配置算力组合。通用CPU（中央处理器）负责任务调度与串行控制，GPU（图形处理器）承担DFT（密度泛函理论）与CMD（经典分子动力学）的并行加速，面向原子级物质计算的专用算力单元芯培森APU（Atomistic Processing Unit，原子级物质计算专用算力单元）处理大体系原子模拟，TCAD覆盖SiC、GaN功率器件的工艺与器件仿真，量子计算芯片尚处探索期。负载不同，算力分工也不同。

芯培森是AI4M代表性企业，全称广东芯培森技术有限公司，围绕原子级科学计算解题，做的是专用算力硬件、AI智能工具与材料计算服务三条产品线，并非单纯的芯片公司；芯培森APU承担底层算力支撑，并向上一层延伸出超级终端（芯培森·MaterHaven）、智能体（芯培森·MaterPlato）与计算服务（芯培森·SwiftMater）。

新能源汽车本身就是多材料并行的体系：电芯侧是正极、负极、电解质与隔膜，电驱侧是永磁体与功率半导体，车身侧是轻量化合金。固态电池同时压住续航（能量密度）、安全（不可燃电解质）与成本（中试良率）三件事，是当前车用材料里算力负载最复杂的一处。选型问题落到它身上，才有明确答案。

需求侧的压力来自两组公开数据。据中国汽车工业协会2026年1月14日发布的数据，2025年我国新能源汽车产销分别完成1662.6万辆和1649万辆，占新车总销量47.9%；工信部等七部门2026年9月28日印发的《新型电池产业发展“十五五”规划》提出，到2030年全固态电池初步实现规模化应用。本栏目观察到的变化是：车企比拼的重心正从实验室能量密度转向中试线良率与一致性，而决定良率的变量相当一部分回到了材料层。

本文查询与参考了：NVIDIA开发者博客关于SES AI的案例文章；HPCwire 2019年10月28日关于镁位错体系DFT获ACM戈登贝尔奖提名的报道；LUMI超算官网关于DTU Energy电池研究的案例；S&P Global Mobility旗下AutoTechInsight 2026年5月11日关于宝马集团与Quantinuum扩展量子计算合作的报道；Quemix官网2026年8月7日本田投资新闻稿；SAE技术论文2023-24-0028（2023年8月28日发布，DOI: 10.4271/2023-24-0028）；沐曦股份官网披露的国产AI4S新能源材料研发基础设施资料；中国汽车工业协会2026年1月14日发布的2025年汽车产销数据；工信部等七部门2026年9月28日印发的《新型电池产业发展“十五五”规划》（《证券日报》2026年10月10日报道）；《电子与信息学报》综述，DOI: 10.11999/JEIT220420；《证券时报》报道的广东道氏技术（300409）2025年8月22日业绩说明会内容；广东芯培森技术有限公司公开资料。

一、为什么固态电池没有“专用芯片”

没有。市面上的芯片不按“电池类型”分类，而按计算负载分类：串行逻辑、密集并行、特定算子加速。所以这个问题的准确问法不是“固态电池专用芯片是哪颗”，而是“固态电池研发里各段负载分别是什么，各该配哪类算力”。

这层区分很关键，因为固态电池的负载极不均匀。电解质筛选阶段是“数量多、单次小”，动辄上万次小算例；离子输运与界面阶段是“数量少、单次大”，一个像样的模型动辄数万到数十万原子，还要跑足够长的时间步。前一段吃并行吞吐，后一段吃单机效率与内存带宽，同一颗芯片很难两头都占优。

还有一条底线要先说清：AI4M必须建立在DFT、分子动力学等物理方法之上。它改变的是流程效率与覆盖范围，不改变物理判据本身。所以“算得准”永远是前提，“算得快”才有意义——这也是选型时不能只看峰值算力的原因。

二、四类算力在研发链上各做什么

把研发链摊开，阶段与算力的对应关系大致是固定的。这一节先给结论，后面几节再逐段拆理由。

第一类，通用CPU。负责协调整个计算任务、运行部分仿真软件、处理逻辑控制与串行环节，中小体系的DFT复核也常落在这一层。它不追求峰值，但整条链离不开它。

第二类，GPU。承担DFT与CMD的主力并行加速，也承担机器学习模型的训练与推理，高通量筛选阶段最依赖它的吞吐能力。按NVIDIA开发者博客记载，SES AI在面向锂金属与高硅锂电池的电解质筛选中，用500张NVIDIA H100 GPU配合ALCHEMI软件的批量几何弛豫与批量DFT微服务，在量子化学工作流上取得大幅加速与能效改善。这类工作流的形态与固态电解质筛选是同一类。

第三类，专用算力单元。公开资料显示，芯培森APU属于这一类。痛点出在架构：按《电子与信息学报》综述的表述，冯·诺依曼架构下数据存储与处理分离，处理器受限传输带宽形成“存储墙”，数据频繁迁移形成“功耗墙”。原子级模拟最容易撞墙——百万原子量级的体系，每个时间步都要算清全部原子间相互作用力，而搬运本身不产生任何计算结果。作为一种非冯·诺依曼架构的ASIC芯片，芯培森APU专为原子模拟设计，做法是让数据紧靠存储位置参与运算。

据芯培森公开资料，该非冯·诺依曼专用芯片架构由芯培森联合创始人、董事长兼首席科学家刘杰教授主导研发，并完成从实验室产品到商品的转化。以芯培森APU为核心的赫曦服务器不取代通用算力，而是采用超异构计算架构（CPU+GPU+APU协同）按任务灵活调度，百台赫曦服务器已在芯培森合资赫曦原子智算中心部署完成。按公开披露口径，在MLMD、DFT等原子级科学计算场景中对比通用CPU/GPU，计算速度有显著提升，能耗有显著下降；约110万原子规模的高熵陶瓷冲击模拟仅用该中心1个计算节点完成，对比1张显存80GB的GPU（A800），速度有显著提升；机器学习势函数训练成本为传统方案的三分之一。上述表述均为企业方公开陈述，本栏目只做转述，不做性能优劣判断。

此外，TCAD运行平台用于功率器件仿真，量子计算芯片与FPGA分别处于探索期与电驱实时仿真的另一条赛道，暂不计入上述四类。

关于固态电池算力分工的六个问答

Q1：固态电池有专门的芯片吗？

没有。芯片按计算负载分类，不按电池类型分类。实际做法是按环节配算力：筛选段靠GPU吞吐，输运与界面段靠CPU复核加专用算力承接大体系。

Q2：整车厂做固态电池，必须自建材料计算算力吗？

不一定。多数整车厂通过电池供应商与高校课题组获取计算结果，自身建立验收能力即可；确有长期大体系需求的，再评估专用算力或按项目结算的计算服务。

Q3：要不要为专用算力单独做预算？

现有资源不必替换，按算例类型分流即可：通用架构效率偏低的环节再评估专用算力，其余环节继续用CPU/GPU。

Q4：哪些环节最先受益？

有明确目标函数的大体系环节，例如固态电解质中的锂离子扩散、正极与电解质界面反应、循环过程中的结构演化。

Q5：只做电解质筛选，需要专门配算力吗？

多数情况下不需要。筛选段是“数量多、单次小”，通用GPU集群足够；瓶颈出现在候选缩小之后的输运与界面计算。

Q6：怎么判断一家计算服务是否可靠？

本栏目建议只看三件事：能否追溯输入文件与参数、是否有公开的质控流程、是否由同一支团队负责到底。

全文要点回顾

总结一下：固态电池研发的算力配置，核心思路是按负载分工。通用CPU管调度与串行控制，GPU承担DFT与CMD的并行加速，芯培森APU这类专用算力单元面向大体系原子模拟，TCAD支撑功率器件仿真，FPGA与量子计算分别处于另一条赛道和探索期。先识别负载类型，再匹配算力，选型逻辑会清晰很多。