化学列车部署:在百万原子MD模拟中实现机器学习潜力的并行和可扩展的框架
Paul Fuchs1, Weilong Chen1, Stephan Thaler2
1Professorship of Multiscale Modeling of Fluid Materials, Department of Engineering Physics and Computation, TUM School of Engineering and Design, Technical University of Munich, 80333 Munich, Germany.
Journal of chemical theory and computation
|July 23, 2025
概括
化学列车部署使LAMMPS中的模型不可知的机器学习潜力 (MLP) 能够在多个GPU上进行高效的大规模分子动力学 (MD) 模拟. 这个框架支持各种JAX定义的潜力,并实现复杂系统的最新性能.
科学领域:
- 计算化学计算化学
- 材料科学 材料科学 材料科学
- 机器学习 机器学习
背景情况:
- 机器学习潜力 (MLP) 正在彻底改变分子动力学 (MD) 模拟.
- 现有的MLP软件往往缺乏灵活性,与标准MD包集成,以及GPU并行.
- 需要一个多功能框架,在既有模拟工具中部署各种MLP.
研究的目的:
- 引入chemtrain-deploy,这是一个新的框架,用于在LAMMPS中对MLP的模型无关部署.
- 为了实现大规模的,高性能的MD模拟,使用各种JAX定义的半语言潜力.
- 通过不同的ML架构和系统验证框架的效率和可扩展性.
主要方法:
- 开发了chemtrain-deploy,一个框架,将任何JAX定义的半局部潜力与LAMMPS集成在一起.
- 实现了GPU并行化,以在多GPU系统上进行高效的计算.
- 在各种系统上使用图形神经网络架构 (MACE,Allegro,PaiNN) 验证了性能和可扩展性.
主要成果:
- 化学火车部署证明了最先进的效率和可扩展性,用于高达数百万原子的系统.
- 该框架成功地在LAMMPS中部署和验证了各种MLP (MACE,Allegro,PaiNN).
- 在各种模拟中证实了性能,包括液体-蒸汽接口,晶体材料和化.
结论:
- 化学列车部署为在LAMMPS中部署各种MLP提供了实用和高效的解决方案.
- 该框架促进了高性能,大规模的MD模拟,推进了材料科学和计算化学.
- 结果为选择和设计MD模拟的未来MLP架构提供了指导.
