NVIDIA称TF32x3可加速机器学习原子间势并保持能量守恒，单遍TF32则无法收敛

机器学习原子间势（MLIP）用神经网络预测原子间能量和力，成本远低于密度泛函理论等量子力学方法，但精度要求并未因此降低。力是能量对原子位置的导数，在分子动力学模拟中每一步的力都决定原子速度和位置更新，数值误差会沿轨迹累积。因此即使GPU在低精度矩阵乘法上的吞吐量远高于FP32，许多MLIP仍坚持用FP32推理。

NVIDIA在其技术博客中评估了两种Tensor Core FP32模拟方法。BF16x9在Blackwell GPU上将每个FP32操作数分解为三个缩放BF16分量，计算九对乘积后在FP32中累加；通过设置环境变量CUBLAS_EMULATE_SINGLE_PRECISION=1即可启用，无需修改模型代码。TF32x3在Ampere GPU上将每个FP32操作数分为前导TF32分量和残差TF32分量，计算三个交叉乘积（前导×前导、前导×残差、残差×前导），省略最小的残差×残差项，通过CUTLASS的OpMultiplyAddFastF32算子实现，输入输出仍为FP32，对模型其余部分透明。

真正的区别不在单点精度，而在物理一致性。NVIDIA团队用三项测试验证：将CO分子从Pt(111)表面拖离时，TF32x3沿用了FP32的平滑能量曲线，而单遍TF32引入了可见的逐点波动；在192原子水盒的NVE模拟中，TF32x3与FP32表现出相当的有界能量涨落，单遍TF32则出现系统性漂移；在539原子Cantor合金薄片的结构弛豫中，TF32x3在218–222步内达到1.0×10⁻³ eV/Å的力收敛标准（与FP32的218步相当），而单遍TF32即使将步数限制加倍到1000步仍无法收敛，力停滞在约1.2×10⁻³ eV/Å。

在性能方面，BF16x9在17280原子体系上实现端到端1.7倍加速（192原子体系为1.1–1.2倍），其误差低于模型自身的非确定性水平；TF32x3在A100上加速MD步约1.5倍，力误差约为FP32重编译间差异的三倍。但加速幅度取决于体系大小和GEMM在总运行时间中的占比——小体系中启动开销和非GEMM工作占比更大，收益更有限。TF32x3的性能还依赖针对具体矩阵形状和硬件的内核调优。两种方法均无需重训或改变模型架构，可作为独立性能层与其他软件优化组合使用。