MIT研究人员利用Ferveret冷却平台推进核材料AI研究

AI研究可能很早就会遭遇物理限制，而不是缺少思路：实验室能够供电并维持冷却的计算能力有限。Ferveret表示，MIT研究人员正使用其高性能计算平台开发研究核材料的AI方法，并将其Adaptive Phase Cooling技术应用于持续运行的科学工作负载。

10月22日发布的公告将两项工程挑战联系起来。研究人员需要更多计算能力，以理解暴露于极端条件下的材料。数据中心运营商则需要从有限的电力容量中获得更多有效算力。Ferveret提出，通过更有效地散热，两方面的需求都能得到满足，而无需新一代处理器。

核材料研究为何需要更多AI算力

这项研究涉及MIT极端环境材料实验室。该实验室由Ericmoore Jossou领导，他是核科学与工程以及电气工程与计算机科学助理教授。MIT教职人员简介介绍了这项研究如何结合先进显微技术与相干X射线成像，以纳米级分辨率考察材料的结构特性和缺陷。

Ferveret指出，有两个项目正在使用其平台开展研究。一个项目开发AI方法，用于分析核材料的相干X射线测量数据。另一个项目训练机器学习原子间势模型；这类模型能够预测原子之间的相互作用，帮助研究人员模拟材料在严苛条件下的行为。

第一个项目的研究方向也得到独立资料的支持。MIT 2026年核科学与工程研究博览会列出了一场由DongHun Ryu主讲的报告，题为《基于物理信息的BCDI相位恢复深度生成模型》。BCDI是布拉格相干衍射成像的缩写，Jossou的教职人员研究简介也提到了这项技术。这表明相关研究与冷却公司的公告之外的研究活动存在具体联系，不过，活动列表并未对Ferveret的硬件进行评估。

原子间势针对的是另一种计算瓶颈。在模拟的每个阶段都进行计算成本高昂的电子结构计算，不如训练一个模型来近似原子排列、能量与力之间的关系。MIT知识库收录的研究介绍了机器学习力场如何在保留其训练所依据的参考计算精度的同时，扩展原子模拟的时间和长度尺度。

这种精度仍取决于模型本身，以及模型学会表示的情形。Ferveret的公告称，相关研究旨在实现接近密度泛函理论精度的模拟；但公告没有提供误差表、已发表的模型，也没有给出能够证明这些项目达到该结果的数值比较。

Adaptive Phase Cooling如何散热

Ferveret的技术介绍重点介绍了过冷沸腾这一方法，其原理借鉴了核反应堆传热研究。芯片表面的热量会形成蒸汽气泡，但周围液体仍低于其沸点。该公司称，小气泡会迅速脱离，并在较冷的液体中重新凝结，从而让液体再次接触高温表面。

两种方法的区别在于蒸汽的去向。Ferveret用作对比的饱和沸腾浸没式冷却方法，会让气泡上升至蒸汽空间后再进行冷凝；Ferveret的方法则力求让气泡在液体中就地冷凝。该公司称，这种方式支持设备在接近环境压力的条件下运行，并可采用服务于单台服务器的紧凑型机箱。

其数据中心产品页面介绍了一款名为Lambert的机架式4U冷却设备、一台定制热交换器，以及用于调节运行条件的控制软件。该方案计划部署为服务器级冷却系统，并连接到设施的散热基础设施，而不是采用大型共享浸没槽。

对于AI运营商而言，这套系统旨在让处理器在长时间工作负载下保持在热限制范围内，同时降低冷却相关开销。当热量原本会限制硬件性能时，温度更低的硬件能够维持更高的运行性能。实际收益的大小仍取决于用于比较的处理器、工作负载、电源设置和冷却系统。

15%和35%的性能数据究竟意味着什么

公告中的两个核心数据反映的是不同指标。Ferveret称，与领先的芯片直冷方案相比，服务器层面的算力最高可提升15%；若将设施层面的改进也计入，可用算力最高可提升35%。

Ferveret在3月发布的公告进一步说明了第一个数据的依据。公告介绍了与UCLA智能连接实验室合作进行的基准测试，测试采用NVIDIA H200 GPU，并报告称，以每千瓦服务器功率对应的TFLOPs衡量，计算效率提升了15%。公告明确指出，这一服务器指标不包括设施层面的电力使用效率。

这为理解合作提供了有用背景，但这仍是公司对合作情况的单方面陈述。公告没有提供完整的基准测试方案或足以复现比较结果的原始数据。此外，每瓦浮点运算吞吐量提升15%，并不能自动证明训练时间或应用程序输出也提升了15%。

这个更高的数字结合了服务器效率和设施模型。在Ferveret提供的示例计算中，比较将电力使用效率（PUE）从1.20调整为1.03，随后再计入服务器效率提升15%。PUE是设施总功耗与IT设备功耗之比；比值越低，在IT负载相同的情况下，设施开销就越小。

根据这些给定参数，综合增幅约为34%：1.15乘以1.20/1.03。Ferveret将结果描述为约35%。这项计算解释了这一说法的量级，但它只是基于假设设施效率的情景推算，并非已发表的测量结果，不能证明MIT核材料实验的速度提升了35%。

证据止步之处，机遇由此开始

在所提供的公告中，Jossou表示，使用该平台可以运行更大的模型、加快迭代，并持续开展实验。这些观察结果表明，获得更多计算资源具有实际价值。但它们并未区分改善中有多少来自冷却，有多少来自硬件资源配置，也没有说明某项具体科研任务的运行速度究竟提高了多少。

同样的区别也适用于可持续性。Ferveret介绍了一种闭环系统，可通过干式冷却器排热，无需消耗水进行蒸发冷却。这是对冷却配置的描述，不应将其理解为消除了发电、设备制造或任何可能的设施设计所产生的水足迹。

公告还称，预计未来发表的研究成果将致谢Ferveret对基础设施的贡献。已发表的方法和应用层面的结果将有助于确定该平台对重构精度、模拟规模、训练时间以及每项已完成实验的能耗有何影响。

目前，最有依据的结论应当有所侧重：Ferveret正在为一项研究计划提供基础设施；该计划聚焦于人工智能和核材料，这一点得到MIT的佐证；至于更广泛的效率主张，则需要结合测量范围加以审视。从长远来看，机遇在于更充分地利用有限的计算能力——在电力预算不变的情况下，通过改进热传递开展更多科学研究。