Breaking the Exascale Barrier for the Electronic Structure Problem in Ab-Initio Molecular Dynamics

Um zu verstehen, wie sich Materie auf ihrer fundamentalsten Ebene verhält, wenden sich Wissenschaftler oft einer Technik namens Ab-initio-Molekulardynamik zu. Dieser Ansatz versucht, die Bewegung von Atomen in Molekülen, Oberflächen oder Festkörpern zu simulieren, indem die Kräfte berechnet werden, die sie drücken und ziehen. Im Gegensatz zu älteren Methoden, die auf vereinfachten, empirischen Regeln beruhen, löst diese Technik das komplexe quantenmechanische Problem der Elektronen direkt. Sie behandelt die Elektronen nicht als vages Hintergrundphänomen, sondern als die primären Akteure, deren Verhalten bestimmt, wie Atome miteinander interagieren. Während dies ein hochpräzises Bild chemischer Reaktionen und Materialeigenschaften liefert, ist es mit einem hohen Preis verbunden: Der Rechenaufwand steigt so rasant mit der Größe des Systems an, dass die Simulation großer, realistischer Strukturen lange Zeit als unmöglich galt. Jahrzehntelang waren Forscher gezwungen, winzige Fragmente von Materie zu untersuchen, unfähig, das Gesamtbild davon zu erfassen, wie Milliarden von Atomen gemeinsam in einer lebenden Zelle oder einem komplexen Material agieren.

Ein Team von Forschern der Universität Paderborn in Deutschland hat nun diese Barriere durchbrochen und einen Weg demonstriert, elektronische Strukturen für Systeme mit bis zu 83 Millionen Atomen zu simulieren. Durch die Anpassung einer Methode, die als nicht-orthogonale lokale Submatrix-Technik bekannt ist, und den Betrieb auf einem massiven Supercomputer, der mit tausenden spezialisierten Grafikprozessoren ausgestattet ist, erreichten sie eine dauerhafte Rechengeschwindigkeit von über 1,1 Exaflops. Das bedeutet, dass das System mehr als eine Trillion (Quintillion im Englischen) Gleitkommaoperationen pro Sekunde ausführte – ein Meilenstein, der diese spezifische wissenschaftliche Anwendung zu einer der ersten macht, die die „Exascale“-Barriere durchbrochen hat. Die Forscher führten nicht bloß eine Simulation durch; sie entwickelten eine neue Art, die mathematische Arbeit zu organisieren, damit die Hardware nahezu 80 Prozent ihrer maximalen theoretischen Kapazität nutzen konnte. Ihre Arbeit beweist, dass es mit den richtigen algorithmischen Anpassungen möglich ist, das Quantenverhalten ganzer Proteine in Lösung zu berechnen, was die Tür zur Untersuchung biologischer Maschinerie und komplexer Materialien mit beispielloser Detailgenauigkeit öffnet.

Die Kernherausforderung in diesen Simulationen besteht darin, dass jedes Mal, wenn sich ein Atom auch nur um einen winzigen Bruchteil bewegt, die gesamte elektronische Struktur des Systems neu berechnet werden muss, um die auf dieses Atom wirkenden neuen Kräfte zu bestimmen. Bei traditionellen Ansätzen wird diese Neuberechnung mit zunehmender Anzahl der Atome prohibitiv langsam. Die Forscher nutzten eine Methode, die das massive mathematische Problem in kleinere, handhabbare Stücke zerlegt, die sogenannte Submatrizen. Anstatt zu versuchen, die Gleichung für das gesamte System auf einmal zu lösen, isoliert der Computer kleine Abschnitte der Daten, löst diese unabhängig voneinander und setzt die Ergebnisse dann wieder zusammen. Dieser „lokale“ Ansatz vermeidet die Notwendigkeit einer ständigen Kommunikation zwischen verschiedenen Teilen des Computers, was normalerweise den Flaschenhals bei groß angelegten Simulationen darstellt. Das Team wandte diese Methode auf ein spezifisches biologisches Ziel an: das Spike-Protein des SARS-CoV-2-Virus, also die Struktur, mit der das Virus an menschliche Zellen bindet. Sie simulierten das Protein verankert in einer Lipidschicht und umgeben von Wasser, wobei sie für ihre ersten Tests ein System mit etwa 1,7 Millionen Atomen erstellten und dann auf ein Gitter dieser Proteine skalierten, um eine Gesamtzahl von 83 Millionen Atomen zu erreichen.

Um dieses Leistungsniveau zu erreichen, mussten die Forscher über den bloßen Einsatz von mehr Computern hinausgehen; sie mussten grundlegend neu überdenken, wie die Software mit der Hardware interagiert. Der von ihnen verwendete Supercomputer, der sich im National Energy Research Scientific Computing Center befindet, ist mit 4.400 NVIDIA A100 Grafikprozessoren ausgestattet. Diese Chips sind darauf ausgelegt, massive Mengen paralleler Berechnungen zu bewältigen, arbeiten aber am effizientesten, wenn sie mit großen, dichten Datenblöcken arbeiten. Die ursprüngliche Version des Algorithmus erzeugte Submatrizen, die oft zu klein waren, um die Leistung dieser Chips voll auszuschöpfen. Das Team führte eine neue Heuristik ein – ein Regelwerk für Entscheidungsfindungen –, die mehrere Datenspalten zu größeren Submatrizen kombinierte, bevor sie verarbeitet wurden. Diese Anpassung war nicht nur eine geringfügige Korrektur, sondern ein strategischer Wechsel basierend auf den spezifischen Leistungsmerkmalen der Grafikprozessoren. Durch die Messung der Geschwindigkeit, mit der die Chips Matrizen unterschiedlicher Größe multiplizieren konnten, optimierten die Forscher die Gruppierung der Daten, um sicherzustellen, dass die Hardware bei ihrer Spitzenleistung arbeitete. Diese Modifikation ermöglichte es dem System, ein Leistungsniveau aufrechtzuerhalten, das zuvor für diese Art von Berechnung als unerreichbar galt.

Die Ergebnisse dieser Bemühungen wurden durch die Durchführung der Simulation auf einem Gitter von Spike-Proteinen gemessen, wodurch effektiv eine virtuelle Umgebung mit 83 Millionen Atomen geschaffen wurde. Das Team verfolgte die Zeit, die für den Abschluss jeden Berechnungsschritts benötigt wurde, sowie die Gesamtzahl der durchgeführten mathematischen Operationen. Sie fanden heraus, dass das System konsistent eine Geschwindigkeit zwischen 1,106 und 1,127 Exaflops lieferte und dabei etwa 80 Prozent der theoretischen Spitzenleistung der Hardware beibehielt. Dies ist eine bedeutende Errungenschaft, da High-Performance-Computing-Systeme oft Schwierigkeiten haben, eine hohe Effizienz aufrechtzuerhalten, wenn sie auf Tausende von Prozessoren skalieren; normalerweise sinkt die Effizienz, wenn der Kommunikationsaufwand steigt. In diesem Fall bedeutete die lokale Natur der Methode, dass die Prozessoren fast ihre gesamte Zeit mit Berechnungen verbrachten, anstatt auf Daten zu warten. Die Forscher verifizierten zudem, dass die Genauigkeit der Simulation hoch blieb, was sicherstellte, dass die Geschwindigkeitsgewinne nicht zu Lasten der wissenschaftlichen Validität gingen.

Dieser Durchbruch betrifft nicht nur die Simulation eines Virus; er stellt eine neue Fähigkeit für die Computerwissenschaft dar. Die Fähigkeit, elektronische Strukturen für Systeme mit Zehntausenden von Millionen Atomen zu modellieren, bedeutet, dass Wissenschaftler nun Phänomene untersuchen können, die zuvor außer Reichweite lagen, wie etwa das Verhalten großer Biomoleküle in ihrer natürlichen, wässrigen Umgebung oder die Eigenschaften komplexer Materialien unter Belastung. Die Methode ist vielseitig genug, um auf jedes Problem angewendet zu werden, das die Auswertung einer mathematischen Funktion für einen großen, dünnbesetzten (sparse) Datensatz erfordert, nicht nur auf die Molekulardynamik. Indem sie zeigten, dass Exascale-Leistung in einer realen wissenschaftlichen Anwendung erreichbar ist, haben die Forscher einen Bauplan für das zukünftige High-Performance-Computing geliefert. Sie haben gezeigt, dass es durch die Abstimmung des algorithmischen Designs auf die Hardwarekapazitäten möglich ist, Probleme zu lösen, die einst als zu groß zum Berechnen galten, und damit die quantenmechanische Welt der Atome und Elektronen für die Erforschung des Lebens und der Materie deutlicher in den Fokus zu rücken.