随着生物、医学以及材料等科学的跨域式发展,分子动力学（Molecular Dynamics,MD）方法得到了极大的关注。分子动力学方法本质是通过计算机模拟分子的微观运动过程来推导出物质的本身宏观性质,这在物理、化学化工、生物医学、材料等学科领域中极为重要。然而,MD在进行如蛋白质折叠、DNA等大分子计算的过程中,面临着“算不动”的严峻挑战,即使利用超算,也无法满足预期。深度学习（Deep Learning,DL）算法的出现,在一定程度上缓解了这一现状。但是,“算不动”的瓶颈依旧存在,因为通常需要计算的原子数目以数万数十万起步,而实际计算机的计算能力有限。这一方面是因为缺乏精度高、速度快、计算量少的算法,另一方面是缺乏专用分子动力学计算硬件。传统的计算机采用的是具有“存储墙”“功耗墙”等瓶颈的冯诺依曼架构,这将会对MD计算力的提升造成负面的影响。“类脑芯片”概念的出现,将这种影响降至最小。针对现状,本文结合分子动力学、深度学习、神经科学、芯片技术等诸多学科领域,进行了对分子动力学类脑芯片的研究,主要包括:1.研究实现了一款应用于计算氮气分子的基于量化神经网络（Quantized Neural Networks,QNN）的高速分子动力学类脑芯片。此款芯片采用量化神经网络架构,结合专用集成电路（Application Specific Integrated Circuit,ASIC）技术,在中芯国际40nm工艺节点上得到正确的仿真验证。实验结果表明,同比传统DFT、Matlab和FPGA方法,完成一步分子动力学计算加速了7个、3个和0.5个数量级。同时,初步证实了神经网络在分子动力学类脑芯片上实现的可行性。2.进一步研究了一款应用于计算苯环分子的基于QNN的高速分子动力学类脑芯片。此款芯片较氮气芯片复杂,研究的原子数目由原来的2个增加到12个,芯片架构中增加了存储设计和特征提取设计模块。采用ASIC技术,在中芯国际40nm工艺上得到了仿真验证,完成单步分子动力学计算的芯片设计规模大小约为230万门（NAND2）,功耗为20.41m W,核心面积为7.84mm~2。实验结果表明,同比传统DFT、Matlab和FPGA方法,完成一步分子动力学计算加速比同氮气一致。3.研究实现了一款应用于计算水分子的基于移位网络的高速分子动力学类脑芯片MLP模块。不同于量化神经网络,移位网络在功耗、面积上更有优势。此款芯片在Silterra 180nm工艺上完成后端设计、物理验证和后仿真,目前正处于流片阶段。实验结果表明,基于移位网络的水分子类脑芯片MLP模块在面积、功耗和计算性能方面更加符合设计需求。