NVNMD-v2: Modelo de dinámica molecular de aprendizaje profundo escalable y preciso basado en arquitecturas no Von...

Área de la Ciencia:

• Ciencias de los materiales computacionales
• Inteligencia artificial en la química
• Computación de alto rendimiento

Sus antecedentes:

• La dinámica molecular de aprendizaje automático (MLMD) lucha por equilibrar la precisión, la escalabilidad y la eficiencia energética para materiales complejos.
• Los marcos MLMD existentes están limitados en el manejo de sistemas de múltiples elementos y en la escala de grandes números de átomos.

Objetivo del estudio:

• Introducir NVNMD-v2, una arquitectura integrada de algoritmos y hardware para simulaciones MLMD mejoradas.
• Superar las limitaciones de los enfoques MLMD anteriores en precisión, escalabilidad y eficiencia energética para sistemas complejos.
• Permitir dinámicas moleculares cuánticamente precisas para simulaciones de materiales multielementos a gran escala.

Principales métodos:

• Desarrollado NVNMD-v2, una arquitectura de hardware de algoritmo co-diseñado con un potencial de red neuronal profunda generalizada (GDNNP) en un acelerador de procesamiento en memoria (PIM).
• Descriptores de incorporación de tipo optimizados para soportar sistemas con hasta 32 elementos, eliminando el escalamiento de parámetros dependientes de la especie.
• Implementó el sistema NVNMD-v2 en un solo FPGA.

Principales resultados:

• NVNMD-v2 alcanza una precisión de nivel DFT para sistemas de múltiples elementos, soportando hasta 32 especies.
• Demostró un costo computacional plano por átomo de aproximadamente 10 ^ -7 segundos por paso por átomo.
• Habilitado simulaciones de hasta 20 millones de átomos, una escala de 1000x sobre DeePMD en una GPU NVIDIA V100, con una reducción de energía de 120x.

Conclusiones:

• NVNMD-v2 avanza significativamente las capacidades de MLMD para materiales complejos y multielementos.
• La arquitectura co-diseñada desbloquea simulaciones cuánticas precisas a escalas sin precedentes y eficiencia energética.
• Este avance cierra la brecha entre la fidelidad atómica y las simulaciones a escala industrial para diversas aplicaciones.