蒙卡输运GPU重构与可微化转向

# 蒙卡跑进毫秒之后

一个中子打进反应堆，撞上原子核，弹开，再撞，再弹，最后被吃掉或者漏出去。这套动作没有公式能一次算完——每一次撞不撞、往哪弹、损失多少能量，都是掷骰子。所以半个多世纪以来，这类问题只有一个诚实解法：一个粒子一个粒子地掷，掷上几亿次，最后数一数。

这就是蒙特卡洛。它准，准到成了整个行业的基准线；它慢，慢到一台治疗计划系统算一个病人的剂量要等几个小时。

2024 到 2026 年这三年，这条基准线被从两个方向同时撬动了。一个方向是硬件：把掷骰子的活搬到显卡上，顺便把程序结构从里到外翻新一遍。另一个方向更安静——当"算得快"这件事不再稀缺的时候，用它来做什么，反而成了新问题。

这一篇要讲的就是这两件事，以及它们之间那个正在变得清楚的转折。

0. 先说这篇不写什么

知识库里已经有好几篇沾边的文章，先把分工划清楚。

《AI 核反应数据》（2026-05-13）讲的是核数据表格怎么被机器学习填洞。《核数据科学：从评价库到机器学习预测的革命》（2026-07-26）讲库怎么更新、ML 有哪四种切入方式。《核数据 AI 代理模型与协方差空洞》（2026-09-22）讲 AI 补得了"值"补不了"网"。

那三篇的对象是输入——喂给计算的数字本身。这一篇的对象是计算过程：拿到数字之后，粒子怎么在材料里跑，怎么把跑出来的东西记成一张剂量图。核数据是食谱，这一篇讲厨房。

《AI 径迹重建与核性质预言》（2026-08-09）讲的是从探测器信号反推粒子轨迹，那是从结果猜过程；《EIC 探测器选型与物理模拟》（2026-07-12）讲的是对撞机上怎么用模拟挑硬件。这一篇跟前两篇也不重叠。

一句话：这一篇讲模拟器本身正在被怎么重造。

一、三个数，和它们背后的同一条线

先看三个流传很广的数。

第一个：一个叫 PUMI-Tally 的库，让 OpenMC 这个中子光子输运代码的计数环节在 NVIDIA A100 上快了 19.7 倍，在 H100 上快了 20 倍，能耗改善 6.69 倍。

第二个：欧洲核子研究中心主导开发的 Geant4，它那个专门算 DNA 尺度损伤的模块 Geant4-DNA，物理模型的能量上限被推到了 1 TeV/u。

第三个：做放疗模拟的 TOPAS 换了开源模式，配上一套七个判据的回归测试，把"代码改了会不会算错"这件事变成了可查的。

这三个数看起来各说各话：一个是加速比，一个是能量范围，一个是软件工程。但它们指向同一件事——蒙卡这个行业正在从"求快"转向"求可靠"，而"快"这件事已经快被解决了。

这条线的另一端，是一个更值得说的判断：当显卡把蒙卡跑到毫秒量级之后，用深度学习做代理模型的那一整套逻辑，地基就松了。深度学习代理当初的卖点就是"我比蒙卡快一千倍"。如果蒙卡自己只慢 10 倍、20 倍，那"快一千倍"就不再是价值。

那还剩什么价值？文章后半段会给出答案：只剩可微、只剩不确定性、只剩能不能被塞进优化回路里。

二、慢在哪里：粒子有秩序，网格没有

要理解这几年在改什么，得先知道蒙卡到底慢在哪。

传统蒙卡的并行方式叫"按历史并行"（history-based）。一个粒子从出生到死亡，中间经历的所有事——飞行、碰撞、散射、吸收、逃逸——打包成一个"历史"，一个核负责一整个历史。一个 GPU 线程跑一个历史。

这种切法有个硬毛病：它整齐不了。

同一个核上，线程 0 可能在处理一个刚出生、正在真空里飞的中子，线程 1 可能在处理一个撞了二十次、马上要被吸收的中子，线程 2 处理的那个已经逃出几何了、正在收尾。三个线程干的是三件不同的事，取的数据不同，走的分支不同。显卡最擅长的是让一千个线程同时做同一件事——这叫单指令多数据。而"按历史并行"恰好把这件事给毁了。

另一半慢在计数（tally）上。

粒子跑完之后，得把"它在这个位置、这个方向、这个能量上待了多长路程"记到一张表里。表可以是一堆小盒子（结构网格），也可以是一张不规则的三维网（非结构网格）。聚变堆的中子学模拟需要后者，因为偏滤器、包层、线圈的形状全是复杂的曲面。

问题是：一个粒子穿行在一张几十万、上百万个单元的非结构网格里，每走一步都得先回答"我现在在哪个单元里"。这是定位问题。老办法是建一棵空间搜索树（kd 树），每一步去树上查。

查一次树不算慢，慢的是每次都要查。粒子数一多、网格一分细，这个开销就像滚雪球。

PUMI-Tally 那篇论文里有一张图专门画这件事：粒子数从十万涨到八百万，老办法的耗时指数式上升，而新办法是线性的。网格单元从十万涨到一百万，老办法同样崩，新办法基本是平的。

一句话总结这一段：慢的不是物理，是数据结构。

三、事件驱动：让粒子按"动作"排队

解法在四十年前就有过，只是那会儿的机器不适合。

思路叫"按事件并行"（event-based）。不再让一个核管一个粒子从头到尾，而是把所有粒子在同一时刻要做的同一类动作，凑成一批一起做。

先让所有粒子走一段（advance particle 事件），再让所有撞上的粒子做碰撞（collide 事件），再让所有该被吸收的吸收，再让所有逃逸的结算。每一批里，大家干的是同一件事——这正是显卡要的形状。

这个思路来自向量机时代，安捷伦、劳伦斯利弗莫尔都试过，后来随着向量机退场就闲置了。

2017 年，当时还在麻省理工、后来去了阿贡国家实验室的 Paul K. Romano，和 Andrew R. Siegel 一起，把这个思路重新捡起来算了一笔账。文章发表在韩国的《Nuclear Engineering and Technology》49 卷 6 期 1165 至 1171 页（DOI 10.1016/j.net.2017.06.006），只有两位作者。

结论值得单独拎出来，因为它决定了后面八年的设计：

如果每种事件耗时固定，能达到的加速比直接由"粒子池"的大小决定。粒子池要比向量宽度大 20 倍以上，向量效率才能超过 90%。

这句"20 倍"后来成了一个工程常数。它解释了两件事：第一，为什么事件驱动在早期机器上不划算——粒子池不够大，百分之九十的时间浪费在等；第二，为什么它现在突然划算了——显卡的并行宽度上去了，而这个池子可以开得很大。

OpenMC 里从此有了两种输运模式并存：老的按历史，新的按事件。有个细节能说明新旧关系的尴尬——2025 年英国物理学会那篇讲 OpenMC 做原子输运的论文（G. J. Wilkie、P. K. Romano、R. M. Churchill 三人，《Plasma Physics and Controlled Fusion》67 卷 5 期，文章号 055046），明确说这次演示"还没有用上异构计算架构"，意思是：事件模式这条路摆在那儿，但当时还没走上去。

四、PUMI-Tally：给网格也发一个号

真正把事件模式用起来的是 2025 年那篇 PUMI-Tally。

题目很长：《GPU Acceleration of Monte Carlo Tallies on Unstructured Meshes in OpenMC with PUMI-Tally》，2025 年 4 月 26 日挂上 arXiv，编号 2504.19048，分类是分布式并行计算加计算物理。

八位作者：Fuad Hasan、Cameron W. Smith、Mark S. Shephard、R. Michael Churchill、George J. Wilkie、Paul K. Romano、Patrick C. Shriwise、Jacob S. Merson。

这串名单本身就是信息。Shephard 是 PUMI 这个非结构网格基础设施的主作者，PUMI 出自伦斯勒理工学院（Rensselaer Polytechnic Institute）的科学计算研究中心；Wilkie 和 Churchill 来自普林斯顿等离子体物理实验室，Romano 和 Shriwise 是 OpenMC 的核心开发者，属于阿贡国家实验室。也就是说，这篇论文是网格团队、聚变等离子体团队、蒙卡代码团队三方合起来做的——单靠任何一方都做不成。

（这里要说明：arXiv 预印本页面没有机构页，上述归属是以几位作者在同期其他论文里的署名为交叉证据推出来的，不是从这篇论文本身读到的。）

PUMI-Tally 做的事情不复杂，但位置很关键：它把计数环节从 OpenMC 里剥出来，单独做成一个库。这个库不依赖 OpenMC 的任何内部结构，能自己编译、自己跑。

它靠的是两件东西：

一是邻接信息。既然粒子的轨迹是一条直线，那么在网格里追它不需要每步都从头查树——知道上一个单元是谁，下一个候选就只有几个。论文原话是"利用网格邻接信息"，说白了就是给每个单元记下"我跟谁挨着"，让粒子沿路问邻居。

二是专门给粒子设计的数据结构和批量算法。这一条比 GPU 本身更重要，后面会看到原因。

代码开源在 GitHub 上（Fuad-HH/PumiUMTally），建立在更早的 PUMIPic 基础设施之上。

五、19.7 这个数要拆开看

现在回到那个 19.7 倍。

论文的测试平台有两套。一套是伯克利国家能源研究科学计算中心的 Perlmutter，每个节点两颗 AMD EPYC 7763（共 128 核）加四块 A100（40 GB 显存）。另一套是 Empire AI 的 alpha 系统，八块 H100（80 GB）加两颗 Intel Xeon 8568Y+（共 96 核）。

结果是：

在 Perlmutter 的 A100 上，固定源、径迹长度计数，加速 19.7 倍；
同样的机器，纯 CPU 用 OpenMP 开 128 线程，加速 9.2 倍；
在 Empire AI 的 H100 配 96 个 CPU 线程上，加速 20 倍；
初始化和前三次迭代的内存分配次数减少 199 倍，总内存占用基本不变；
混合 CPU/GPU 的方式，能耗比原方法改善 6.69 倍。

这五条里，最容易被读错的是第三条和第四条。

先说第三条。"20 倍"不是"H100 比 A100 只快 1.5%"这种显卡对比——它是 H100 加 96 个 CPU 线程的混合配置，跟 OpenMC 原来的方法比。论文自己的测量是全部用单块 GPU 跑的（因为他们要简化分析），而且几何是每个进程复制一份，所以多卡的扩展是"平凡的并行"。

再说第四条，这是我认为整篇论文里最值钱的一条：GPU 版本相对 CPU 版本的优势，最多只有大约 2 倍。

论文原话是："CPU 版 PUMI-Tally 和 GPU 版 PUMI-Tally 的差别并不大（最大约 2 倍）。这说明大部分性能收益来自批量算法和对缓存友好的算法的使用。"

这句话把"GPU 加速"这个标签给拆了。真正治病的不是显卡，是数据结构和算法顺序。显卡只是让好处再翻一倍。论文里还有一句旁证：GPU 版在单元数涨到一百万时曲线基本是平的，部分原因恰恰是"GPU 工作量不够"。

还有一条必须说清楚：这篇只管计数，不管输运。 论文的"局限"一节直说，当前实现是单 GPU，而且要支持"输运和计数同时进行"还需要更多工作。所以 19.7 倍不是"蒙卡快 20 倍"，是"蒙卡里那个记账的环节快 20 倍"。

最后一句实话：截至 2026 年 10 月 2 日，这篇在 arXiv 上既没有 journal-ref 字段，也没有 DOI。 它是一篇还没见刊的预印本。这不是贬低——同一条线上更早的工作也走过同样的路，比如 2022 年 PHYSOR 会议上那篇讲 OpenMC 可移植 GPU 加速的论文（Tramm、Romano、Doerfert、Lund、Shriwise、Siegel、Ridley、Pastrello 八人，会议论文集 2734 至 2743 页，DOI 10.13182/physor22-37847）就是会议论文。但引用的时候得说清楚它是什么。

顺便说一个容易漏掉的对照：2026 年的 PEARC 会议上有一篇专门给 OpenMC 做基准测试的论文，其中一个章节就叫"比较不同的计数库"，直接对比用 Libmesh 还是 MOAB 做非结构网格计数的速度差异。这说明换一个网格库就能改速度这件事，已经成了公开议题。

六、往上爬：Geant4-DNA 从 keV 走进 TeV

第二条线在能量轴上，方向完全不同。

Geant4-DNA 是 Geant4 里一个专门算"径迹结构"的模块。它不关心一个病人受到多少戈瑞，它关心一个粒子在 DNA 那根双螺旋附近留下了几个电离。要算这个，物理模型的能量下限得压到电子伏特量级——常规的 Geant4 物理列表在这个尺度上是不适用的。

问题是，它原来的能量上限也低。低到只能覆盖质子治疗、常规放疗这类场景。想做空间辐射防护就不够了：银河宇宙线里的重离子（HZE）能量可以到每核子几十 GeV，甚至更高。

2026 年，一个十一个人的团队把这个天花板顶到了 1 TeV/u。

论文标题是《CosmicDNA: A high energy extension and validation of Geant4-DNA physics models for electrons, protons and arbitrary HZE ions》，发表在《Radiation Physics and Chemistry》242 卷，文章号 113461，DOI 10.1016/j.radphyschem.2025.113461。

十一位作者：J. W. Archer、Hoang Ngoc Tran、Sebastien Incerti、Floriane Poignant、Ianik Plante、Dousatsu Sakata、Vladimir Ivantchenko、Konstantinos P. Chatzipapas、Anatoly B. Rosenfeld、Jeremy M. C. Brown、Susanna Guatelli。

第一作者 Archer 和 Rosenfeld、Guatelli 来自澳大利亚卧龙岗大学；Incerti 和 Tran 来自波尔多的核物理与高能物理实验室（属于法国国家核物理与粒子物理研究所体系）；Plante 在美国宇航局约翰逊航天中心；Ivantchenko 与 Geant4 合作组相关。这份名单的关键在于，它把空间辐射防护（NASA）和粒子物理模拟（Geant4 合作组）两个社区拉到了一张纸上——空间辐射这块，正是推动这个扩展的直接需求方。

新版本里的具体数字：

质子和离子的电离、激发模型，能量范围 100 keV/u 到 1 TeV/u；
电子的电离、激发、轫致辐射模型，范围 7 eV 到 100 MeV；
打在水上算出来的阻止本领，在 100 MeV/u 以上与 ICRU 推荐值的符合度改善了超过 18%；
这套模型打包成一个物理列表，就叫 CosmicDNA，论文也用它做了阻止本领、射程、剂量径向分布的基准检验。

有两个地方需要交代清楚，否则容易传歪。

第一是年份。《Radiation Physics and Chemistry》这个 DOI 里写的是 2025，是因为在线首发在 2025 年；卷号定下来是 242 卷，CrossRef 记录和法国国家科研论文平台（HAL）都把出版年标成 2026。两个数都对，指的是同一件事的不同阶段。写文章时只写 2025 或只写 2026 都会让人找不到。

第二是Archer 自己的博士论文和期刊论文数字不一致。同一作者 2026 年在卧龙岗大学的博士论文摘要里写的是"200 keV/u 到 1 TeV/u，与 ICRU 符合度改善超过 20%"；而期刊论文摘要写的是"100 keV/u 到 1 TeV/u，改善超过 18%"。我倾向于以期刊论文为准——那是经过同行评议、且被明确标注为"将进入 Geant4 后续版本"的版本。但这个差异值得记一笔：同一件事的预印本或学位论文与正式版数值不同，在这个领域是常态。

还有一条背景值得知道：这不是横空出世。同一位第一作者 2025 年已经在同一份期刊发过一篇先导工作——用多尺度 Geant4 模拟算月球表面银河宇宙线质子和 α 粒子造成的早期 DNA 损伤（《Radiation Physics and Chemistry》229 卷，文章号 112448，DOI 10.1016/j.radphyschem.2024.112448）。那篇用的是"周期性边界条件"来覆盖整个月球表面，再把人偶、航天服、宇航员器官模型一路接进去，最后落到 DNA 尺度。CosmicDNA 就是那条链子上游缺的那一段。

七、换门锁：TOPAS 开源这件事，报得不太准

第三条线在软件工程这一侧。

TOPAS 是做放疗蒙卡模拟最常用的工具之一，本质是给 Geant4 套了一层好用的壳——临床物理师不用写 C++，填参数文件就能建几何、设束流、算剂量。它在美国国立卫生研究院资助下开发，主要阵地在麻省总医院和加州大学旧金山分校。

这几年关于它最常见的一句话是："TOPAS 完全开源了"。这句话半对。

准确的说法是这样的：v4.0.0 这个版本开始，TOPAS 团队确实转向了完全开源软件（OSS）模式，整个代码库放在 GitHub 上，用的是 MIT 许可证——这是最宽松的那一类许可证，商用、修改、再发行都可以。发布日是 2024 年 4 月 30 日，团队负责人在 5 月初发了公开说明。

但同一页说明里还有一句容易被略过的话，原文是："The code has been released previously as open source."——代码此前就已经作为开源发布过。

所以这是一次开发模式的转变，不是从闭源到开源。此前 TOPAS 的源码是可见的、可获得的，但走的是申请许可那套流程，开发由少数人主导；OpenTOPAS 改成了社区协作、任何人可以提代码、由 GitHub 记录归属。团队自己给出的理由是援引林纳斯定律——"足够多的眼睛盯着，所有 bug 都藏不住"。

这中间的差别在工程上是实的，在传播上被抹平了。"开源"两个字被当成了一次公告，但它其实是一个过程：GitHub 上第一次提交标注为"openTOPAS 的首次提交"，日期是 2023 年 10 月 11 日；许可证统一更新在 2024 年 4 月；v4.0.0 正式发布在 4 月 30 日。从第一次提交到发版，中间隔了半年多。

人事也换了。原来的两位首席研究员是 Harald Paganetti 和 Bruce Faddegon，接手的是 José Ramos（Ramos-Méndez）和 Jan Schuemann——两人都在加州大学旧金山分校放射肿瘤系。v4.0 版本基于 Geant4 11.1.3。

v4.0 除了改许可证，还塞进了一批新东西：一套全新的双发散多叶光栅（团队说明里直接称旧的那套"有缺陷"，这个用词在官方公告里不常见）、新的第二原发癌模型、小鼠网格模体、第一个成像扩展（可以在 TOPAS 里模拟基本的 CT、SPECT、PET 探测器）、X 射线治疗里的光中子模块，以及支持 Geant4 提供的全部光学材料属性。

八、回归测试：七个判据，管一个开放仓库

开源之后有个新麻烦：谁都能改代码，那谁来保证没改坏？

TOPAS 的应对是一个专门的回归测试系统，名字叫 TOPAS-nBio-Reg（注意它是给 TOPAS-nBio 这个放射生物学扩展用的，不是给 TOPAS 主程序）。论文发表在《Physics in Medicine & Biology》70 卷 10 期，文章号 10NT01，2025 年 5 月 16 日，DOI 10.1088/1361-6560/add4b9。

这里有一处很值得说的细节：GitHub 仓库的 README 只署了三个人（Jose Ramos-Mendez、Naoki D. Kondo、Thongchai A. M. Masilela），而正式论文的作者栏有九位：T. Masilela、N. D-Kondo、W. Shin、R. Ortiz、I. Meyer、J. LaVerne、B. Faddegon、J. Schuemann、J. Ramos-Méndez。同一件事，仓库页和论文页的作者数差了三倍。要引作者的时候，引论文版。

测试怎么设计的？七个用例，三个管物理，四个管化学。

三个物理用例管的是：束流的 LET（线性能量转移）、纳剂量学里的电离簇分布、以及限制 LET 这类量。四个化学用例管的是非均匀化学——也就是水被电离之后，那些自由基怎么扩散、怎么反应、生成多少分子产物。化学用例里最吃重的是 G 值（每吸收 100 eV 能量生成多少个某种化学产物）。

论文做了一件很有价值的事：把三个版本放在一起比。nBio-v2.0（上一版）、nBio-v3.0（当前公开版）、nBio-v4.0（开发者版，当时尚未发布）。

结果如下：

所有物理测试里，v3.0 都比 v2.0 快，原因是换了新版 Geant4；
各版本之间的逐点差异，绝大多数落在 5% 以内；
例外是 H₂ 和 H₂O₂ 的 G 值：从 v3.0 换到 v4.0 时，分别差了 16% 和 10%。

这个 16% 和 10% 是整个测试里最有信息量的地方。它说明：换一个版本，物理量可能悄悄动十几个百分点。 而如果没有这套回归测试，这个变化不会被记录下来——用户只会在某天发现自己的结果跟别人对不上，然后开始互相怀疑。

论文里对意义的表述也很实在。从开发者角度，这套系统让"新版本发布会对 LET 或化学产物 G 值产生什么后果"可以被严格报告出来，也让他们能测试外部的代码贡献。从用户角度，一个临床物理师如果为了自己的应用改了源码，他现在能自己查出来"我这一改，动了哪些已知量"。

资助来自美国国立癌症研究所的两个项目号，R01CA187003 和 R01CA266419。后续计划是给不同的细胞核模型和 DNA 修复模型补上回归测试。

九、判断转向：当"快"不再是卖点

前面三条线讲完了。现在讲那个真正的转折。

深度学习做剂量代理模型，最早的叙事非常清楚：蒙卡太慢了，我来替它。 训练一个网络，输入病人 CT，输出剂量图，推理时间从小时级压到毫秒级。这个叙事在 2022 年达到高点。

那一年的代表作是荷兰代尔夫特理工大学的 DoTA 模型，作者两人：O. Pastor-Serrano 和 Z. Perkó，论文发表在《Physics in Medicine & Biology》67 卷 10 期，文章号 105006（2022 年 5 月 9 日，DOI 10.1088/1361-6560/ac692e）。

数字确实漂亮：单个笔形束的剂量预测 5 ± 4.9 毫秒，与蒙卡真值相比的 γ 通过率 99.37 ± 1.17%（判据 1%/3 毫米）；整个治疗计划 10 到 15 秒算完（800 到 2200 个笔形束），九例测试病人的 γ 通过率 99.70 ± 0.14%（判据 2%/2 毫米）。

但真正关键的是这篇论文摘要里的最后一句话，原文是：

can directly compete with the speed of even commercial GPU MC approaches

翻译过来：已经能与商业 GPU 蒙卡的速度正面竞争。

这句话在 2022 年出现的时候，含义是"深度学习追上来了"。放到 2026 年再看，含义反过来了：如果深度学习只能追平蒙卡，那它的存在理由就不再是速度。

这就是那个判断转向。它的严格表述是：深度学习代理模型的速度优势正在被 GPU 蒙卡吃回去，"更快"这个价值主张正在失效。

需要立刻补一句限定，因为这里最容易滑坡。这个转向不是全局的，它在不同场景下的成色完全不同：

在质子笔形束这个尺度上，转向是实的。DoTA 的 5 毫秒对上加过速的蒙卡，已经不是数量级差距。
在整个治疗计划这个尺度上，转向是半实半虚。DoTA 自己算一个计划要 10 到 15 秒，而中国科学技术大学的 ARCHER 团队用 GPU 蒙卡加深度学习去噪，报的是一个病人约 200 毫秒。
在碳离子这个尺度上，转向还远没发生。同一课题组把 DoTA 扩到碳离子（C-DoTA，预印本 arXiv:2510.11271）之后，网络推理是每个笔形束 0.032 秒，而对标的 GPU 蒙卡工具 FRED 在 1%/1 毫米高精度下每个笔形束要 14 秒——差了 400 倍。这个数字说明，重离子的蒙卡离"毫秒"还有很长一段路。

所以准确的判断是：在光子、质子这类成熟场景里，蒙卡的速度已经不再是软肋；在重离子、纳剂量学这类还没被吃透的场景里，蒙卡依然慢，深度学习依然有速度红利。 而这条分界线，正是深度学习代理模型下一步该往哪走的分界线。

十、可微：把"算一遍"改成"反过来问"

既然"快"不值钱了，那什么值钱？

第一个答案：可微。

先说清楚可微是什么意思。蒙卡是个黑箱：你给它一堆输入（材料密度、几何尺寸、源的位置），它吐出一个数（探测器读数、剂量）。传统用法是正向的——改输入，重算，看输出变没变。想知道"密度改 1% 会怎样"，就改 1% 再算一遍，这叫有限差分。

问题在于，蒙卡的结果带噪声。改 1% 再算一遍，输出的变化里混着噪声，你分不清哪个是信号。这是蒙卡做优化最根本的障碍。

"可微"的意思是让程序自己算出导数——不是差分出来的，是跟着计算过程一并推出来的。有了导数，梯度下降那套东西就能用上，几千个参数可以一起调，而不是一个个试。

核工程领域早就想要这个。比利时鲁汶大学有一个明确的硕士课题就研究这件事，思路是用算法微分（algorithmic differentiation）拿到路径导数。他们的结论值得记：用算法微分，导数的统计误差能比有限差分降低一百倍以上。

但同一份材料里也写了两个硬骨头：

第一，导数有偏。"期望的导数"和"导数的期望"不是一回事，这个差别在数学上很微妙，在工程上很致命。

第二，伴随模式需要把粒子的正向轨迹全存下来才能反向走一遍，而这在碰撞频繁的问题里会直接把内存撑爆。他们的解法是找一个可逆的随机数生成器，让轨迹可以倒着重建，而不是存下来。

另一条更传统的路叫导数源法（Derivative Source Method）。做法是对输运方程本身求导，然后让"导数方程"跟着原问题一起做随机游走。代表工作是 Ilham Variansyah、Ryan G. McClarren、Todd S. Palmer 三人的论文，发在 2025 年国际数学与计算方法会议（M&C 2025）论文集 1911 至 1921 页（DOI 10.13182/mc25-47284，预印本 arXiv:2501.06397）。

他们的结论很诚实，值得整句引用：

对其中几个灵敏度，配置良好的有限差分是最高效的，导数源法紧随其后。但由于找到这种"配置良好的有限差分"并不总是可行，在其余情况下——包括所有参数同时求灵敏度的情形——导数源法的效率最高。

这句话说了两件事：有限差分在单参数、调好步长时其实不差；但一旦要同时求几百个参数的灵敏度，它就不行了，而导数源法在那种场景下才显示出稳健性。

十一、两条可微路线：改渲染，还是改方程

2026 年出现了一条我完全没意料到的路线，值得单独讲。

中子输运的可微化，是计算机图形学的人干的。

论文标题就叫《Differentiable Neutron Transport》，五位作者全部来自康奈尔大学：Xi Deng、Maosen Tang、Michael Czekanski、David Bindel、Steve Marschner。发表在《ACM Transactions on Graphics》45 卷 4 期，文章号 83，1 至 14 页，DOI 10.1145/3811296，2026 年 7 月 3 日。这篇还在 SIGGRAPH 2026 上做了报告（洛杉矶，2026 年 7 月 21 日下午，Light Transport 分会场）。

为什么是图形学的人？

论文开头解释得很直白：中子输运的控制方程，和计算机图形学里算"参与介质"体积渲染的方程，数学上是同一个东西。 两边都是玻尔兹曼输运方程的一种形式。而图形学那边，为了让渲染能反过来用——给我一张照片，反推场景里的材质和光照——已经把可微渲染做得很成熟了。

于是这五个人做的事就是：把可微渲染那套自动微分技术，推广到多能群中子输运上。

他们做了三件事：

把蒙卡光输运的自动微分推广到多能群中子输运（光只有一种"能量"，中子在能群里跳，这是新增的维度）；
提出一个简化方法处理运动的几何间断（可微渲染里几何边界是老大难，因为跨过界面的那一刻函数不连续）；
提出体积分导数的新估计量。

验证用的是几个模型反问题：多群中子慢化的梯度优化、材料性质的灵敏度分析、以及诊断传感器的形状优化。最后那个例子最能说明可微的用处——传感器的形状本身是可以被梯度优化出来的，而不是靠人试。

这条路径和前面说的可微化传统完全不一样。Variansyah 那边是改方程：对输运方程求导，再想办法把导数方程也蒙特卡洛化。Deng 这边是改渲染：不碰方程形式，直接用图形学里成熟的自动微分工具链去贯穿整个随机游走过程。

两条路线的对照可以做成一张表：

对比项	改方程（导数源法 / 伴随蒙卡）	改渲染（可微输运）
出发点	对输运方程求导	借用可微渲染的自动微分框架
主要阵地	核工程、计算物理	计算机图形学
优势	与已有蒙卡代码衔接自然，伴随模式下计算量不随参数个数增长	有成熟的工程工具链，能直接穿随机游走，几何处理有现成方案
难点	导数有偏；伴随模式要存轨迹或做可逆随机数	要处理多能群这个渲染里没有的维度；几何间断仍是难点
代表工作	Variansyah 等（M&C 2025）	Deng 等（ACM TOG 45(4), 83, 2026）

这张表本身也说明了一件事：当一个领域的老方法遇到瓶颈时，突破常常来自邻域。 核工程想要可微蒙卡想了很久，最后是一群做渲染的人用另一种数学语言给做出来了。

十二、不确定性：代理模型最怕的那件事

第二个答案，也是我认为更重要的一个：不确定性。

深度学习代理有个众所周知的毛病：它不知道自己什么时候错了。

蒙卡算出来的结果自带误差棒——跑一亿个粒子和跑一百万个粒子，输出后面跟着的统计不确定度是不一样的，而且这个数字是算出来的，不是估出来的。神经网络的输出后面什么都不跟。它给你一张剂量图，图上每个体素的数字都长得一样自信，无论那个位置是训练集里见过的典型解剖，还是它从没见过的极端病例。

正因如此，这个领域的下一代工作正在往三个方向使劲。

第一，把不确定性做成显式的输入。 有一篇 2025 年 12 月的工作（Song、Lu、Li、Zhou 等，《Physica Medica》，DOI 10.1016/j.ejmp.2025.105700）就走这条路：网络输入不是两通道（噪声剂量图加 CT），而是三通道——额外把蒙卡自己的统计不确定度图喂进去。作者把带不确定度输入的版本和不带的版本做了对照，三个肿瘤部位（头颈、脑、肺）上，带的那版平均剂量误差都更低，头颈降到 0.84%、脑 0.85%、肺 0.36%；γ 通过率在 3%/3 毫米判据下超过 97%（使用至少十万个粒子历史时）。把"我知道我哪里不确定"当成特征喂给网络，从结果看是有效的。

第二，把不确定性作为优化目标的一部分。 这就是将要启动的欧洲项目 PRODIGIO 的路线。

第三，直接绕开代理，用去噪替代预测。 这条路最巧妙。

思路是：既然蒙卡准，只是噪声大，那我为什么不让蒙卡少跑一点，然后用网络把噪声去掉？这样网络不需要学会物理，只需要学会"去噪"，而真值（低噪声蒙卡结果）天然存在、不需要额外标注。

前面提到的 ARCHER 就是这么干的。它算光子时，跑十亿个粒子的时间约 26.6 秒；改成只跑一百万个粒子（96 毫秒），再让去噪网络跑 15 毫秒，总共 111 毫秒就能拿到统计上与十亿粒子等价的剂量分布。质子那边是跑六万个粒子（153 毫秒）加去噪（15 毫秒），对标跑一亿个粒子的 25 秒。

瑞士伯尔尼的工作（DeepSMCP，Loebner、Joost、Bertholet、Mougiakakou、Fix、Manser 六人，《Zeitschrift für Medizinische Physik》36 卷 36 至 46 页，2025 年，DOI 10.1016/j.zemedi.2025.02.004）思路相同，报的效率增益是 340 倍，去噪平均耗时 35.1 秒，γ 通过率在 2%/2 毫米判据下平均 82.9%（标准差 4.7%），推广到十二个训练时未见过的病例时升到 91.0%。

这里要停一下，说一句不客气的话：去噪和代理，是两件不同的事，不能混着比。

代理模型（DoTA 那类）学的是输入到输出的映射：给 CT 和束流参数，直接猜剂量，它不需要跑蒙卡。去噪模型（ARCHER、DeepSMCP 那类）学的是同一张图的修正：它必须先把蒙卡跑起来，才能去噪。

代价差别很大。代理模型的推理时间可以做到 5 毫秒，但它的误差没有上界，遇到分布外的病例可能崩。去噪模型的安全性更好——毕竟物理还是蒙卡在算，网络只负责抹掉噪声——但它永远不可能比"跑一次蒙卡"更快，因为那一步省不掉。

这个区别，恰好解释了为什么"更快不再值钱"之后，两条路线会分开走：代理模型被迫往可微和不确定性方向升级，去噪模型则安心地留在"加速器"这个位置上。

十三、中国这边

这一块要单独说，因为进展比印象中快。

GPU 蒙卡剂量引擎，中国有两个成规模的自主实现。

一个叫 GARDEN，来自中国科学技术大学（工程与应用物理系、离子医学研究所），发表在《Medical Physics》52 卷 7 期，文章号 e17899，2025 年 7 月（DOI 10.1002/mp.17899）。它的技术选择是：光子用 Woodcock 径迹法处理，电子用第二类压缩历史法。

另一个叫 gMCAP，作者是 Xi-Yu Luo、Liang Sun、Zhen Wu、Rui Qiu、Shou-Ping Xu、Hui Zhang、Jun-Li Li，发表在《Nuclear Science and Techniques》36 卷 5 期，文章号 83，2025 年 5 月（DOI 10.1007/s41365-025-01655-x）。

gMCAP 想解决的问题很有意思，值得展开：大多数 GPU 质子蒙卡在算核反应时，把人体组织当成水。

这个近似有历史根据——ICRU 的几份报告指出，人体组织里氢原子与氮碳氧的权重比，跟水里氢氧的比例是接近的。但骨骼不一样。骨骼大约占体重的 20%（不含脂肪组织），其中 5% 到 20% 是钙和少量磷，而这些核素的核反应截面大约比氧低 25%。

gMCAP 为此建了一套考虑人体真实材料成分的核反应模型（论文里叫 REFINED），跟近似的水模型（APPROX）对照。结果是：整体计算精度提升 3%；在高密度组织区域，两种模型的最大剂量偏差达到 15%。 性能上，一百万质子不到一秒。

15% 这个数字在放疗里是够吓人的了——它出现在骨骼附近，而那恰恰是很多头颈和脊柱病例的关键区域。

第三个是中国科大徐榭团队的 ARCHER。

ARCHER 这个名字要小心。它的开发史是十四年，起点在美国伦斯勒理工学院（2010 年起，最初同时做 CPU、GPU 和 Intel 至强融核三套版本）。现在团队主力已经移到中国科学技术大学核医学物理研究所，2025 年那篇总结性论文发在《EPJ Nuclear Sciences & Technologies》11 卷 11 页（DOI 10.1051/epjn/2025008），九位作者是 Y. Chang、X. Wang、B. Cheng、Y. Wang、S. Li、Z. Ye、X. Pei、J. Zhao、Xie George Xu，资助方包括国家重点研发计划（编号 2023YFC2411500）、安徽省重点研发计划、国家自然科学基金（12275372）和中国科大交叉学科基金。

这里有一个商业化的细节：ARCHER 授权给了商业软件，包括 ArcherQA 和 DeepPlan。 一个学术代码走通授权路径，在这个圈子里不算常见。

第四个是一个国家级项目。 由中核粒子医疗科技有限公司、中国科学技术大学、中核鲲鹏医疗科技（重庆）有限公司、中国原子能科学研究院、山东第一医科大学附属肿瘤医院、重庆大学附属肿瘤医院六家联合申报的"AI 赋能 GPU 加速多粒子通用放疗计划系统"，已获国家"十四五"核技术研发科研项目立项批复，总经费 2174 万元，周期 2025 年 8 月至 2028 年 7 月，中国科大核科学技术学院徐榭教授任首席技术专家。

这个项目的措辞值得读一遍：要在多模态影像处理、医用直线加速器和硼中子俘获治疗的蒙特卡罗剂量计算等领域开展研究，目标是"实现多粒子通用 TPS 的国产化和临床测试"。"国产化"和"临床测试"是关键词——放疗计划系统长期被几家国外厂商占着，这是一个明确指向替代的项目。

徐榭团队在 2026 年 7 月的第十届中国散裂中子源反角白光中子实验装置用户研讨会上，还报告了基于 ARCHER 平台做硼中子俘获治疗的中子输运 GPU 加速工作，并强调了一个容易被忽略的点：核数据库的选择会直接影响最终剂量结果。不同数据库组合给出的中子能谱和剂量分布存在差异，所以需要用实验测量去验证关键核反应数据。

最后说一句诚实的判断：在"代理模型 + 可微 + 不确定性"这条新路线上，中国团队的声音目前还比较小。 GARDEN、gMCAP、ARCHER 都是"把蒙卡做快"这条线上的成果，做得扎实；而"改渲染做可微蒙卡"、"把统计不确定度当特征输入"这类转向性的工作，主要出自欧洲和美国的团队。这不一定是能力问题——更可能是国内的需求侧还停留在"算得动就行"的阶段，临床和工业界对"可微、可反演、带不确定度"的付费意愿还没有起来。

十四、一页总结

把这一篇的骨架收一下。

第一层：蒙卡慢在哪。 慢的不是物理，是数据结构。按历史并行的方式让显卡没法向量化；非结构网格上的粒子定位每一步都要查树，粒子数和网格数一涨，耗时就滚雪球。

第二层：两个结构性解法。 按事件并行——把粒子按"正在做什么"分批，恢复向量化能力。这个思路 2017 年被 Romano 和 Siegel 重新算了一笔账，给出一个工程常数：粒子池要比向量宽度大 20 倍以上，向量效率才过 90%。PUMI-Tally 在 2025 年把它落到了非结构网格计数上，交出 A100 19.7 倍、H100 20 倍、能耗改善 6.69 倍的成绩。

第三层：这个成绩要拆开读。 大部分收益来自批量算法和缓存友好的数据访问，GPU 相对 CPU 只多约 2 倍；论文只管计数不管输运；用单卡；而且截至 2026 年 10 月仍是预印本。

第四层：同一时期的另外两条线。 Geant4-DNA 的能量上限爬到 1 TeV/u，让空间辐射防护有了微剂量学的工具。TOPAS 从"申请许可"转到"完全开源协作"，配一套七个判据的回归测试——而回归测试跑出的最刺眼的一个数是：换版本会让 H₂ 和 H₂O₂ 的 G 值动 16% 和 10%。

第五层：判断转向。 GPU 蒙卡在光子、质子这些成熟场景上已经追到深度学习代理的门口。DoTA 论文 2022 年那句"能与商业 GPU 蒙卡正面竞争"，到 2026 年变成了代理模型自己的墓志铭：如果只能打平，那就没有存在理由。

第六层：剩下的价值在两处。 一处是可微——让程序自己吐出导数，梯度下降才能用上，优化才能从"一个个试"变成"一起调"；这里出现了两条路线，核工程传统的改方程派（导数源法、伴随蒙卡），和 2026 年由计算机图形学团队带进来的改渲染派（ACM TOG 45(4), 83）。另一处是不确定性——把统计不确定度当显式特征喂进网络，或者干脆绕开代理、用去噪替代预测。

最后一句判断。 这个领域正在从"比谁快"进入"比谁可用"。比快的时代已经有赢家了——是显卡，而且赢得比想象中少（A100 只比 128 核 CPU 快一倍）。比可用的时代才刚开始，而它考的不是算力，是你敢不敢信任一个不会告诉你自己错在哪的模型。

参考文献

本列表按正文讨论的先后顺序编号。正文各处论断均已随文写出作者、期刊、卷期页与 DOI，本列表作为汇总索引，供逐条复核。

Fuad Hasan、Cameron W. Smith、Mark S. Shephard、R. Michael Churchill、George J. Wilkie、Paul K. Romano、Patrick C. Shriwise、Jacob S. Merson（共 8 位），GPU Acceleration of Monte Carlo Tallies on Unstructured Meshes in OpenMC with PUMI-Tally，arXiv:2504.19048 [cs.DC, physics.comp-ph]，2025 年 4 月 26 日提交。截至 2026 年 10 月 2 日查询，arXiv 页面无 journal-ref、无 DOI，仍为预印本。
Paul K. Romano、Andrew R. Siegel，Limits on the efficiency of event-based algorithms for Monte Carlo neutron transport，*Nuclear Engineering and Technology* 49(6)，1165–1171，2017 年 9 月。DOI 10.1016/j.net.2017.06.006
G. J. Wilkie、P. K. Romano、R. M. Churchill，Demonstration of OpenMC as a framework for atomic transport and plasma interaction，*Plasma Physics and Controlled Fusion* 67(5)，文章号 055046，2025 年 5 月 15 日。DOI 10.1088/1361-6587/adcc4e。署名机构：普林斯顿等离子体物理实验室、阿贡国家实验室
John Tramm、Paul Romano、Johannes Doerfert、Amanda Lund、Patrick Shriwise、Andrew Siegel、Gavin Ridley、Alessandro Pastrello，Toward Portable GPU Acceleration of the OpenMC Monte Carlo Particle Transport Code，PHYSOR 2022 会议论文集，2734–2743，2022 年。DOI 10.13182/physor22-37847
Thang Ha、Dhruva Chakravorty、Francis Dang、Lisa M. Perez、Honggao Liu、Travis Hallam、Carlo Fiorina，Benchmarking a hybrid MPI-OpenMP application on Linux supercomputers: A nuclear fusion reactor simulation OpenMC case study，PEARC '26 会议论文集，1–5，2026 年 7 月 26 日。DOI 10.1145/3785462.3815815
J. W. Archer、Hoang Ngoc Tran、Sebastien Incerti、Floriane Poignant、Ianik Plante、Dousatsu Sakata、Vladimir Ivantchenko、Konstantinos P. Chatzipapas、Anatoly B. Rosenfeld、Jeremy M. C. Brown、Susanna Guatelli（共 11 位），CosmicDNA: A high energy extension and validation of Geant4-DNA physics models for electrons, protons and arbitrary HZE ions，*Radiation Physics and Chemistry* 242，文章号 113461。DOI 10.1016/j.radphyschem.2025.113461。在线首发 2025 年，正式出版卷标年为 2026 年（CrossRef 与法国 HAL 平台均记为 2026）
J. W. Archer 等，Early DNA damage on the lunar surface due to GCR protons and alpha particles（多尺度 Geant4 模拟），*Radiation Physics and Chemistry* 229，文章号 112448，2025 年。DOI 10.1016/j.radphyschem.2024.112448
J. W. Archer，In Silico to Silicon: Monte Carlo Simulations and Detector Characterisation for the Radiation Protection of Astronauts（博士论文），澳大利亚卧龙岗大学，2026 年。DOI 10.71747/uow-r3gk326m.32120548.v1
OpenTOPAS v4.0.0，GitHub 公开发布（MIT 许可证），发布日 2024 年 4 月 30 日；社区公告《Message for the community》2024 年 5 月 3 日。仓库地址 github.com/OpenTOPAS
T. Masilela、N. D-Kondo、W. Shin、R. Ortiz、I. Meyer、J. LaVerne、B. Faddegon、J. Schuemann、J. Ramos-Méndez（共 9 位），TOPAS-nBio-Reg: a regression testing system for track structure simulations in TOPAS-nBio，*Physics in Medicine & Biology* 70(10)，文章号 10NT01，2025 年 5 月 16 日。DOI 10.1088/1361-6560/add4b9
TOPAS-nBio 回归测试仓库 README（作者栏仅署三人：Jose Ramos-Mendez、Naoki D. Kondo、Thongchai A. Masilela），github.com/topas-nbio/TOPAS-nBio-regression
O. Pastor-Serrano、Z. Perkó，Millisecond speed deep learning based proton dose calculation with Monte Carlo accuracy，*Physics in Medicine & Biology* 67(10)，文章号 105006，2022 年 5 月 9 日。DOI 10.1088/1361-6560/ac692e
Anastasiia Quarz、Angelica De Gregorio、Angelo Schiavi、Christian Graeff、Gaia Franciosini、Lennart Volz、Marco Durante、Vincenzo Patera、Zoltán Perkó 等，An AI dose engine for fast carbon ion treatment planning（C-DoTA），arXiv:2510.11271
Y. Chang、X. Wang、B. Cheng、Y. Wang、S. Li、Z. Ye、X. Pei、J. Zhao、Xie George Xu（共 9 位），ARCHER—a Monte Carlo code for multi-particle radiotherapy through GPU-accelerated simulation and DL-based denoising，*EPJ Nuclear Sciences & Technologies* 11，11，2025 年。DOI 10.1051/epjn/2025008
Xi-Yu Luo、Liang Sun、Zhen Wu、Rui Qiu、Shou-Ping Xu、Hui Zhang、Jun-Li Li，gMCAP: a GPU-based Monte Carlo proton transport program for high-density tissues with precise nuclear reaction models，*Nuclear Science and Techniques* 36(5)，文章号 83，2025 年 5 月。DOI 10.1007/s41365-025-01655-x
A GPU-accelerated Monte Carlo dose engine for external beam radiotherapy（GARDEN），*Medical Physics* 52(7)，文章号 e17899，2025 年 7 月。DOI 10.1002/mp.17899。署名机构：中国科学技术大学工程与应用物理系、离子医学研究所
Ilaria Rinaldi 等，Five years of clinical application of independent Monte Carlo-based patient-specific quality assurance at Maastro Proton Therapy Center，arXiv:2510.13300。署名机构：马斯特里赫特大学医学中心放射肿瘤科（Maastro）、罗马大学、荷兰代尔夫特质子治疗中心
Xi Deng、Maosen Tang、Michael Czekanski、David Bindel、Steve Marschner（全部来自康奈尔大学），Differentiable Neutron Transport，*ACM Transactions on Graphics* 45(4)，文章号 83，1–14，2026 年 7 月 3 日。DOI 10.1145/3811296。SIGGRAPH 2026 报告，2026 年 7 月 21 日，Light Transport 分会场
Ilham Variansyah、Ryan G. McClarren、Todd S. Palmer，Derivative Source Method for Monte Carlo Transport Calculation of Sensitivities to Material Densities and Dimensions，M&C 2025 会议论文集，1911–1921。DOI 10.13182/mc25-47284；预印本 arXiv:2501.06397
Lorenzo Arsini、Barbara Caccia、Andrea Ciardiello、Alessio Sarti、Stefano Giagu、Francesca Nicolanti、Carlo Mancini-Terracciano，Differentiable Autoplanning Algorithm for Proton Therapy Based on Deep Learning: A Proof-of-Concept，TechRxiv 预印本。DOI 10.36227/techrxiv.175751166.63483586。署名机构：罗马第一大学、意大利国家核物理研究所
PRODIGIO（PROton therapy DIfferentiable Gradient-based Inverse Optimization），欧盟"地平线"计划 MSCA 博士后项目，CORDIS 项目编号 101282057。资助金额 194,074.56 欧元，执行期 2026 年 11 月 1 日至 2028 年 10 月 31 日。协调单位：西班牙奥维耶多大学；合作单位：荷兰马斯特里赫特放射肿瘤基金会（MAASTRO Clinic）、荷兰埃因霍温理工大学
Ting Song、Xingyu Lu、Yongbao Li、Linghong Zhou 等，Statistical uncertainty-aware dual-path dilated convolution fusion framework for Monte Carlo dose denoising，*Physica Medica*，2025 年 12 月 19 日。DOI 10.1016/j.ejmp.2025.105700
Hannes A. Loebner、R. Joost、J. Bertholet、S. Mougiakakou、Michael K. Fix、Peter Manser（共 6 位），DeepSMCP — Deep-learning powered denoising of Monte Carlo dose distributions within the Swiss Monte Carlo Plan，*Zeitschrift für Medizinische Physik* 36，36–46，2025 年。DOI 10.1016/j.zemedi.2025.02.004。署名机构：伯尔尼大学医院、伯尔尼大学
N. Horsten、S. Carli、W. Dekeyser，Sensitivity calculation for Monte Carlo particle simulations of neutrals in the plasma edge，*Contributions to Plasma Physics* 64(7–8)，e202300138，2024 年
鲁汶大学硕士课题：Optimization with particle Monte Carlo simulations for neutron transport（使用算法微分求路径导数、可逆随机数生成器、非类似模拟）
Peng Zhou、Shengxiu Jiao、Xiaoqian Zhao、Shuzhan Yao、Honghao Xu、Chuan Chen（共 6 位），Proton dose deposition matrix prediction using multi-source feature driven deep learning approach（DL5），*Machine Learning: Science and Technology* 5，文章号 035023，2024 年 7 月 22 日。DOI 10.1088/2632-2153/ad6231。署名机构：陆军军医大学大坪医院癌症中心、山东第一医科大学附属省立医院核医学科
Lian Zhang 等（资深作者与共同通讯作者），Monte Carlo-consistent dose prediction for clinical CyberKnife radiotherapy using a physics- and spatially-informed diffusion model（PSIDMViT），*Intelligent Oncology*（KeAi 出版）。署名机构：河北医科大学第一医院。注：本条目第一作者姓名未从期刊页面核实到，故不列；通讯作者邮箱为 lianzhang@hebmu.edu.cn
中国科学技术大学核医学物理研究所，徐榭教授受邀参加 2026 年 CSNS 反角白光中子实验装置用户研讨会并作专题报告（报告题目：硼中子俘获治疗蒙特卡罗计算及其核数据），2026 年 7 月
中国科学技术大学核科学技术学院，徐榭教授担任国产放疗治疗计划系统研究项目首席技术专家（"AI 赋能 GPU 加速多粒子通用放疗计划系统"，总经费 2174 万元，周期 2025 年 8 月至 2028 年 7 月），2026 年 4 月
James C. L. Chow，Hybrid Artificial Intelligence–Monte Carlo Methods for Radiotherapy Dose Calculation，*Encyclopedia* 6(3)，55，2026 年 2 月 27 日。DOI 10.3390/encyclopedia6030055。署名机构：玛格丽特公主癌症中心放射医学部、多伦多大学
J. Holmes、H. Feng、L. Zhang、M. K. Fix、S. B. Jiang、W. Liu，Fast Monte Carlo dose calculation in proton therapy（综述），*Physics in Medicine & Biology* 69(17)，2024 年

核实与纠错记录

#	常见说法	实际情况	依据
1	PRODIGIO 的结果是"18 分钟 → 5 毫秒，γ 通过率 98.4%"	查无出处。 PRODIGIO 是欧盟"地平线"计划下 2025 年立项的玛丽·居里博士后项目，执行期 2026 年 11 月 1 日才开始，截至 2026 年 10 月尚未产生任何结果。CORDIS 项目描述里只有计划（从蒙卡训练深度学习剂量引擎、用多项式混沌展开做可微不确定性、嵌进优化回路），没有性能数字	CORDIS 项目编号 101282057
2	上一条里的"18 分钟"来自哪	最接近的来源是 CyberKnife 的 PSIDMViT 工作：剂量估计时间从约 1 小时降到约 18 分钟，方向与"18 分钟 → 5 毫秒"相反	Intelligent Oncology，通讯作者张连（河北医科大学第一医院）
3	上一条里的"5 毫秒"来自哪	最接近——也几乎是唯一精确匹配——的来源是代尔夫特理工大学的 DoTA：单笔形束 5 ± 4.9 毫秒，γ 通过率 99.37 ± 1.17%（1%/3 毫米）。注意不是 98.4%	Pastor-Serrano & Perkó，Phys. Med. Biol. 67(10), 105006 (2022)，DOI 10.1088/1361-6560/ac692e
4	"Geant4-DNA 已扩展到 1 TeV/u"（只写上限）	区间是两头都动：质子与离子 100 keV/u 至 1 TeV/u，电子 7 eV 至 100 MeV。只写上限会漏掉电子那一半	Archer 等，Radiat. Phys. Chem. 242, 113461
5	CosmicDNA 发表于 2025 年（或 2026 年）	两个都对，指不同阶段。 DOI 字符串里是 2025（在线首发年），卷号 242、正式出版年 2026。CrossRef 与法国 HAL 均记为 2026	DOI 10.1016/j.radphyschem.2025.113461 与 HAL 记录 hal-05492764
6	CosmicDNA 的能量下限是 200 keV/u、改善超过 20%	这是第一作者博士论文摘要里的说法；期刊论文写的是 100 keV/u、改善超过 18%。同一件工作，学位论文与期刊论文数字不同，以期刊版为准	卧龙岗大学博士论文 DOI 10.71747/uow-r3gk326m.32120548.v1 对比期刊论文
7	"TOPAS 完全开源了"（当成一次从闭源到开源的转变）	是开发模式转变，不是从闭源到开源。 OpenTOPAS 仓库 README 原文承认"The code has been released previously as open source"。TOPAS 此前源码可见但走申请许可流程，v4.0.0（2024 年 4 月 30 日）起改为 MIT 许可证加社区协作	github.com/OpenTOPAS
8	TOPAS-nBio-Reg 的作者是三个人	正式论文署名 9 位作者：Masilela、D-Kondo、Shin、Ortiz、Meyer、LaVerne、Faddegon、Schuemann、Ramos-Méndez。三人版本只出现在 GitHub 仓库 README 上	Phys. Med. Biol. 70(10), 10NT01 (2025) 对比 GitHub README
9	回归测试说明"各版本结果一致"	不能说"一致"。绝大多数逐点差异在 5% 以内，但 H₂ 与 H₂O₂ 的 G 值从 v3.0 到 v4.0 差 16% 和 10%。这 16% 才是这套测试真正的产出	同上
10	reg 的名称写作 nBio-Reg	正式名称是 TOPAS-nBio-Reg，且它是 TOPAS-nBio（放射生物学扩展）的回归测试，不是 TOPAS 主程序的	同上
11	PUMI-Tally 的 A100 加速是 19.7 倍、H100 是 20 倍，所以 H100 更快	这两个数不是同一条件下的显卡对比。19.7 倍是 A100 对 OpenMC 原方法；20 倍是 H100 配 96 个 CPU 线程对原方法。而且论文自己指出：CPU 版与 GPU 版的差异最多约 2 倍，主要收益来自批量算法与缓存友好访问	arXiv:2504.19048
12	6.69 倍是"计算速度改善"	是能耗改善，不是速度。指混合 CPU/GPU 方法相对原方法的能耗。另有独立的 199 倍是内存分配次数减少（限初始化和前三次迭代），也不是速度	同上
13	PUMI-Tally 让 OpenMC 输运快了 20 倍	它只管计数（tally），不管输运。论文明确把"同时支持输运与计数"列为未来工作，当前分析全部基于单块 GPU	同上
14	PUMI-Tally 已正式发表	截至 2026 年 10 月 2 日，arXiv 页面无 journal-ref、无 DOI，仍是预印本（分类为 cs.DC 与 physics.comp-ph）	arXiv:2504.19048 元数据直查
15	事件驱动是 2025 年 PUMI-Tally 首创	2017 年 Romano 与 Siegel 就给出了框架与效率模型，还提出工程常数"粒子池需大于向量宽度 20 倍，向量效率才过 90%"。再往前，这个思路来自向量机时代	Nucl. Eng. Technol. 49(6), 1165–1171 (2017)
16	"GPU 蒙卡已把单个笔形束拉近到神经网络的预测时间"	有出处，但被简化了。 DoTA 摘要原话是"能与商业 GPU 蒙卡的速度正面竞争"，指笔形束/计划层面。而同一课题组做碳离子时，GPU 蒙卡 FRED 在 1%/1 毫米条件下单笔形束仍需 14 秒，网络是 0.032 秒，差 400 倍。这个判断在光子、质子上成立，在重离子上不成立	DoTA 摘要；C-DoTA，arXiv:2510.11271
17	可微中子输运是核工程界做出来的	是计算机图形学团队做出来的。论文发表于《ACM Transactions on Graphics》，作者五人全部来自康奈尔大学，在 SIGGRAPH 2026 的 Light Transport 分会场报告。原理是输运方程与体积渲染方程数学同源	ACM TOG 45(4), 83 (2026)，DOI 10.1145/3811296
18	导数源法全面优于有限差分	论文自己说不是。原话是：对若干灵敏度，"配置良好的有限差分是最高效的，导数源法紧随其后"；只有在所有参数同时求灵敏度这类场景下，导数源法效率才最高	Variansyah 等，M&C 2025，pp 1911–1921
19	ARCHER 是中国科大从头开发的	起点在美国伦斯勒理工学院（2010 年起，含 CPU、GPU、至强融核三个版本）。团队主力现已移至中国科大，2025 年那篇论文的资助方是中国国家重点研发计划与自然科学基金	EPJ Nucl. Sci. Technol. 11, 11 (2025)
20	ARCHER 是纯 GPU 蒙卡	它现在是GPU 蒙卡加深度学习去噪的组合。所谓"200 毫秒"是低计数模拟时间加去噪网络推理时间的合计	同上
21	质子蒙卡把组织当水没有影响	在高密度组织上影响可达 15% 的最大剂量偏差。骨骼中钙、磷的核反应截面约比氧低 25%。gMCAP 建了真实材料成分模型（REFINED），整体精度提升 3%	Nucl. Sci. Tech. 36(5), 83 (2025)
22	深度学习剂量去噪和深度学习剂量预测是一回事	两回事。去噪必须先跑蒙卡（省不掉那一步），安全性好但绝不可能比蒙卡更快；代理模型直接猜剂量，可以到 5 毫秒但误差没有上界。这个区别决定了"更快不再值钱"之后两条路线各走各的	ARCHER（去噪）对 DoTA（代理）
23	DeepSMCP 的 γ 通过率很高	82.9%（标准差 4.7%）是测试集上的数，对照的是低统计蒙卡。推广到 12 个训练未见过的病例时才升到 91.0%。引"91%"而不说条件是不完整的	Z. Med. Phys. 36, 36–46 (2025)
24	PUMI-Tally 的作者机构	arXiv 预印本页面没有机构页。文中给出的归属（伦斯勒理工学院科学计算研究中心、普林斯顿等离子体物理实验室、阿贡国家实验室）是以作者在其他论文中的署名为交叉证据推得，不是从该论文本身读到的。引用机构时应注明这一点	arXiv:2504.19048 页面无机构字段
25	论文里的 CPU 型号写作 Intel Xeon 8568Y+	PUMI-Tally 论文原文拼作"Intel Xenon 8568Y+"，属于笔误，正确拼写是 Xeon。转引时应更正且不必指出	arXiv:2504.19048 正文第 6 节