2. 分子计算任务建模与流水线需求分析

分子计算流水线的第一道工程关口，不是写调度器，而是把“算一个分子”这件事拆成可度量、可编排、可验收的任务模型。分子模拟、分子对接、分子动力学（MD）和量子化学（QC）四类计算在输入规模、并行粒度、资源画像和精度—成本关系上差异极大，如果混在同一套队列里按“一个任务一个核”调度，必然出现长尾阻塞与资源空转。本节的目标是建立一套任务分解与需求量化的方法，使后续的流水线设计有据可依。

一、四类计算的任务分解与资源画像

分子模拟通常指基于力场的构象搜索、能量最小化或粗粒化模拟，输入是拓扑文件与坐标，输出是能量、构象集合或轨迹。它的特点是单任务可高度并行（构象级并行），单点计算量小、任务数量大，适合“多小核 + 高并发”的批处理模式。分子对接的输入是受体结构、配体库和打分函数配置，输出是结合姿态与打分值；其并行粒度天然在配体维度，一个受体可对应数万至数百万配体，属于典型的“宽扇出”任务，瓶颈常在文件 I/O 与打分函数的串行段。分子动力学则相反：单个体系的时间步进存在强数据依赖，无法在时间维度并行，只能做空间分解（域分解）或副本并行；它需要 GPU 或高带宽互联，单任务运行时间长，属于“少大核 + 长驻留”模式。量子化学计算（如 DFT）的输入是分子坐标、基组与方法，输出是能量、梯度、频率或激发态；其并行效率随体系增大而下降，且内存与临时文件占用高，属于“中等并行 + 高内存”模式。

把上述差异落到任务模型上，需要为每类任务定义四个字段：并行维度（构象/配体/空间域/积分格点）、单任务资源画像（核数、内存、GPU、临时盘）、预期运行时间分布、以及可中断性。可中断性尤其关键：对接与构象搜索任务可随时抢占重排，而 MD 与 QC 的 SCF 迭代一旦中断，重启成本可能接近全量重算，必须预留检查点。

二、吞吐量、延迟、精度与成本的量化方法

四类任务进入流水线后，需求分析要回答四个量化问题。吞吐量（Throughput）定义为单位时间内完成的“有效任务数”，注意不是提交数。以对接为例，若配体库有 100 万条，单配体平均耗时 8 秒，采用 2000 个并发槽位，理论吞吐为 2000/8 = 250 配体/秒，但实际受限于受体文件读取与结果写盘，实测往往只有理论值的 40%–60%。因此吞吐量估算必须乘以一个 I/O 折损系数，该系数需通过小规模压测获得，而非拍脑袋设定。

延迟（Latency）要区分“单任务延迟”和“流水线端到端延迟”。单任务延迟是任务从开始到结束的墙钟时间；端到端延迟是从提交到拿到最终结果的时间，包含排队、调度、数据传输和结果聚合。对于 MD 这类长任务，排队延迟可能远大于计算延迟，因此调度策略应优先保证长任务尽早获得资源，而不是追求短任务的高周转。一个实用的量化指标是 P95 延迟，即 95% 的任务在多少时间内完成，它比平均值更能暴露长尾问题。

精度（Accuracy）在流水线中不是单一数值，而是分层级的：力场精度、对接打分精度、MD 采样精度、QC 泛函与基组精度。工程上常用“精度—成本曲线”来决策：例如对接初筛用快速打分函数，对 Top 5% 命中物再用半经验或 DFT 精修。量化方法是定义精度阈值 ε 和成本预算 C，在满足 ε 的前提下最小化 C。以 QC 为例，B3LYP/6-31G* 与 ωB97X-D/def2-TZVP 的能量差可达数 kcal/mol，而计算成本相差 5–10 倍，必须根据下游用途选择。

成本（Cost）包含计算成本、存储成本和人力运维成本。计算成本可用“核时 × 单价 + GPU 时 × 单价”估算；存储成本常被低估，MD 轨迹单体系可达数百 GB，对接结果若全量保留姿态文件，百万级配体可产生 TB 级数据。量化时应设定保留策略：轨迹只保留关键帧，对接只保留 Top-N 姿态与打分。一个可操作的公式是：总成本 = Σ(任务数 × 单任务核时 × 单价) + 存储量 × 存储单价 × 保留周期 + 运维人力折算。

三、需求分析交付物示例

以下是一份可直接用于流水线设计评审的任务需求表，字段按四类任务分别填写，示例数值为教学假设，实际项目需以压测为准。

完成上述建模后，流水线的调度器、存储层和监控指标就有了明确的输入：调度器按资源画像分队列，存储层按保留策略分级，监控层按 P95 延迟与吞吐折损率设置告警阈值。下一阶段的设计工作，将围绕这些量化约束展开。