美国能源部近日公布了下一代百亿亿次超级计算机“发现号”的首批九大前沿科研项目清单。这台预计2028年才会正式上线的机器，人还没到岗，任务已经排满。从航空发动机、激光核聚变，到暗物质、量子材料和甲烷转化，九个项目几乎覆盖了当前计算科学领域最“吃算力”的方向。而它们背后有一个共同的逻辑——用AI加速传统数值模拟。

发现号将部署在橡树岭国家实验室，接替目前全球排名第一的Frontier超算，承担“创世纪任务”目标，即通过人工智能加速科学与工程突破。从已公布的项目构成看，能源部的布局并非随机撒网，而是精准卡位在三个维度：新能源技术、基础物理前沿，以及未来交通动力系统。

在能源领域，两个项目尤其值得关注。特拉华大学主导的PIConGPU项目将研究激光驱动核聚变，重点设计先进的纳米结构靶材。项目团队包括德国亥姆霍兹德累斯顿中心，计划利用发现号的算力和AI优化，在更少的模拟次数内锁定更有效的聚变靶设计。另一个是佐治亚理工学院牵头的SPARC项目，瞄准甲烷到甲醇的催化转化——铜-沸石催化剂上那根神秘的铜氧键到底长什么样，传统密度泛函理论的计算结果与实验数据长期对不上，研究团队将改用更精确的多体随机相位近似方法重新计算基准反应能和活化势垒。

基础物理方向，加州理工主导的GIZMO项目把尺度跨度拉到了极致——同时模拟宇宙网的宏观结构和超大质量黑洞的喷流与吸积流等微观过程。GIZMO将尝试在更大、更精细的宇宙学模拟中纳入更丰富的物理模型。同样指向微观世界的QMCPACK（量子材料）和QUDA_LAPH（量子色动力学）则分别瞄准量子材料的磁性、导电性，以及质子与中子间的强相互作用。后者的研究结果可能直接影响对核子质量这类基本常数的精确计算。

航空动力方面，NASA的GlennHT项目要用大涡模拟跑透燃气轮机的复杂湍流，这种精度远超工程上常用的雷诺平均方法，但计算开销也成倍增长。GE航空研究的GENESIS项目则锁定开放式风扇发动机——这种构架有望将油耗砍下20%，但要模拟发动机与整机周围的气流，需要追踪数万亿个变量在数十亿时间步长上的演化，非发现号不能为。桑迪亚国家实验室的S3D-Regent项目同时瞄准下一代弹性燃料燃气轮机的氮氧化物排放问题，试图用直接数值模拟捕捉从大尺度湍流到小尺度火焰不稳定性的全链条。

橡树岭国家实验室的ALF项目则更像一种“方法论底座”，它试图用主动学习框架加速机器学习原子间势的开发，让材料模拟在经典力场的速度和量子力学方法的精度之间找到更优平衡。这个项目跑通了，前面几个项目的模拟效率都可能跟着受益。

这九大项目的特殊之处在于时机。发现号尚未通电，但其科学用例已经过精心筛选和预设。这意味着，当这台机器在2028年点亮时，将不会有一段漫长的“适配期”——它一上线就有九个重载应用等着吃算力。从布局方式看，美国能源部显然把发现号当作一个从零日就嵌入AI的科研引擎来打造，而不是简单给传统HPC换个更快的处理器。