4. 高通量分子计算硬件与运行环境

高通量分子计算流水线通常不是单一程序，而是由分子预处理、构象搜索、能量评估、打分排序、结果聚合等多个阶段组成。不同阶段的算术密度、访存模式、并行粒度和精度要求差异很大，因此硬件选型不能简单追求“最快的一台机器”，而应围绕流水线各阶段的特征，把 CPU、GPU、FPGA、ASIC 组织成互补的异构资源池。理解这四类资源的定位，是后续容器化、集群调度和配额隔离的前提。

一、四类计算资源的定位与匹配

CPU 的优势在于通用控制流、复杂分支、稀疏数据结构和串行逻辑，适合分子文件解析、任务编排、数据库检索、结果合并以及带大量条件判断的预处理步骤。GPU 拥有数千个流式处理器和高带宽显存，适合规则化的稠密计算，例如批量构象的能量评估、矩阵运算、分子指纹相似度计算和神经网络打分。FPGA 通过可编程逻辑实现定制数据通路，适合固定但吞吐要求高的算子，例如固定精度打分函数、流式过滤和低延迟预处理，其优势是确定性延迟与较低功耗。ASIC 则是为特定算法固化的芯片，能效和单位成本吞吐最高，但灵活性最低，只适合已经稳定、调用量极大的核心算子。

一个实用的判断方法是看三个维度：并行度是否规则、数据复用是否充分、算法是否长期稳定。规则且长期稳定的高吞吐算子优先考虑 GPU 或 ASIC；规则但仍在迭代的算子适合 GPU 或 FPGA；不规则、分支多、频繁变更的部分留在 CPU。实际流水线往往是“CPU 编排 + GPU 主力计算 + FPGA 预处理 + ASIC 加速固定内核”的组合。

二、容器化与虚拟化：让异构资源可复现

分子计算软件依赖复杂，常见问题包括 CUDA 版本与驱动不匹配、Python 包冲突、编译工具链差异。容器化通过镜像把运行时、库和依赖一起打包，使同一镜像在开发机、集群和云上行为一致。对 GPU 任务，需要 NVIDIA Container Toolkit 把宿主机驱动和 GPU 设备暴露给容器；对 FPGA，通常通过设备节点或厂商运行时接口透传。虚拟化则提供更强的隔离和整机迁移能力，但 GPU 直通和 FPGA 透传会带来额外开销，因此高通量计算更常用“容器 + 裸金属/轻量虚拟机”的组合。

一个可复现的镜像应固定基础镜像、CUDA 版本、关键库版本和入口脚本。例如：

FROM nvidia/cuda:12.2.0-runtime-ubuntu22.04
RUN apt-get update && apt-get install -y python3.10 python3-pip
COPY requirements.txt /app/requirements.txt
RUN pip install --no-cache-dir -r /app/requirements.txt
COPY pipeline /app/pipeline
ENTRYPOINT ["python3", "/app/pipeline/run_stage.py"]

这样，同一镜像在本地用 docker run --gpus all 验证，在集群上由调度器以相同镜像启动，避免“换机器就失败”。

三、集群与云环境选型

集群选型要看任务形态。若流水线以大批量短任务为主，调度器需要支持高并发、快速启动和细粒度配额，Kubernetes 配合 GPU 设备插件是常见选择；若以长时 MPI 并行任务为主，Slurm 更成熟。云环境适合弹性峰值和短期大规模筛选，但要注意数据出云成本、GPU 实例的可用性和计费粒度。混合部署时，把稳定高频的核心计算放在自建集群，把突发峰值放到云上，是较务实的策略。

四、资源配额与隔离

配额与隔离决定集群能否稳定共享。CPU 侧用 requests/limits 控制核数和内存；GPU 侧按卡分配，必要时用 MIG 或时间片共享；FPGA/ASIC 按设备节点独占或分时复用。隔离还要覆盖显存、临时磁盘和网络带宽，避免一个任务把节点拖垮。下面是一份可直接参考的配额示例：

把硬件分工、容器镜像、集群调度和配额隔离四件事对齐后，流水线才能在吞吐、成本和稳定性之间取得平衡。下一阶段的工作，就是把这些资源真正编排成可重复执行的流水线。