使用改进的机器学习模型进行容错的量子化学计算
Kai Yuan1,2, Shuai Zhou3,4, Ning Li5
1College of Information Science and Technology, Beijing University of Chemical Technology, Beijing, China.
Journal of computational chemistry
|July 29, 2024
概括
改进的机器学习 (ML) 模型和编码计算提高了分布式科学计算中的负载平衡和容错能力. 这优化了计算资源的使用,用于分子基础和激发状态的自动化量子化学计算.
科学领域:
- 计算化学是一种计算化学.
- 量子化学是一种量子化学.
- 机器学习是机器学习.
背景情况:
- 有效地使用计算资源对于科学计算至关重要.
- 之前的工作引入了机器学习 (ML) 辅助的调度优化.
- 负载平衡和故障容忍是分布式计算的关键挑战.
研究的目的:
- 改进ML模型,以便更准确地进行计算负载预测.
- 在分布式计算中集成对故障容忍的编码计算.
- 将这些进步应用于重新规范化的激子模型与时间依赖密度函数理论 (REM-TDDFT) 进行激发状态计算.
主要方法:
- 开发增强的ML模型用于负载预测.
- 实现编码计算 (梯度编码) 对于容错性.
- 将ML辅助的编码计算与REM-TDDFT集成在一起.
主要成果:
- 实现了更好的负载平衡和集群利用率.
- 在故障耐受性方面取得了显著的收益.
- 成功应用于基准计算,包括P38蛋白质和溶剂模型.
结论:
- 机器学习辅助编码计算的综合方法为分布式量子化学计算提供了增强的性能.
- 这种方法方便了对基本状态和激发状态的自动计算.
- 这些发现为更强大,更有效的科学计算工作流程铺平了道路.


