Обучение современных межатомных потенциалов на основе машинного обучения (MLIP) требует огромных объемов эталонных данных. Для их получения используется теория функционала плотности (DFT), где стандартным инструментом является VASP. Однако масштабирование таких расчетов на сотни миллионов структур упирается в ограничения GPU. NVIDIA разработала новые методы оптимизации, которые решают эту проблему, делая генерацию данных для MLIP значительно быстрее и эффективнее.
Ключевые технологии оптимизации
Основной упор сделан на два подхода, которые минимизируют узкие места при вычислениях на графических процессорах:
- K-point batching: Традиционные методы обработки точек Бриллюэновской зоны (K-points) часто приводят к неэффективному использованию памяти и вычислительных ресурсов. Новый подход группирует K-points в батчи, что позволяет лучше использовать параллельную архитектуру GPU и снизить накладные расходы на синхронизацию.
- Mixed Precision (Смешанная точность): Использование комбинации точностей FP16 и FP32 (или FP64) позволяет ускорить матричные умножения и свертки, которые составляют основу DFT-расчетов, без существенной потери физической точности результатов.
Результаты производительности
Сравнение производительности стандартных методов и оптимизированных подходов NVIDIA показывает существенный прирост скорости. Ниже приведены ключевые метрики, демонстрирующие эффективность новых методов:
| Метрика | Стандартный подход | Оптимизация NVIDIA (K-point batching + Mixed Precision) |
|---|---|---|
| Ускорение вычислений | 1x (Базовый уровень) | До 10x |
| Эффективность использования GPU | Низкая (из-за узких мест памяти) | Высокая (оптимизированный батчинг) |
| Точность результатов | FP64/FP32 | FP16/FP32 (сохранение физической точности) |
Почему это важно для индустрии
Генерация данных для MLIP — это «бутылочное горлышко» в разработке новых материалов и лекарств. Ускорение DFT-расчетов в 10 раз означает, что исследователи могут:
- Обучать модели на более разнообразных химических пространствах.
- Сократить время от идеи до валидированной модели с месяцев до недель.
- Снизить затраты на вычислительные ресурсы, необходимые для симуляций.
Эти оптимизации делают Plane-Wave DFT более доступным инструментом для массового применения в материаловедении и фармацевтике, открывая путь к созданию более точных и быстрых предиктивных моделей.
Источник: NVIDIA dev blog ↗