Acceleration of Atomistic NEGF: Algorithms, Parallelization, and Machine Learning

Stellen Sie sich vor, Sie versuchen zu verstehen, wie Elektrizität durch einen winzigen, mikroskopisch kleinen Draht aus Silizium fließt – so klein, dass er nur wenige tausend Atome breit ist. Um dies genau zu tun, verwenden Wissenschaftler ein komplexes mathematisches Werkzeug namens NEGF (Non-equilibrium Green's function). Betrachten Sie NEGF als eine superpräzise Wettervorhersage für Elektronen: Es sagt voraus, wie sie sich bewegen, voneinander abprallen und mit den Schwingungen des Materials interagieren.

Das Ausführen dieser „Vorhersagen“ für realitätsnahe Bauteile war bisher so, als würde man versuchen, das Wetter für den gesamten Planeten mit einem Taschenrechner aus den 1980er Jahren vorherzusagen. Es ist zu langsam und die Computer stürzen ab.

Dieses Paper eines Teams der ETH Zürich beschreibt, wie sie einen „Super-Taschenrechner“ gebaut haben, um dies zu beheben, indem sie drei Haupttricks anwandten: bessere Algorithmen, massives Teamwork (Parallelisierung) und künstliche Intelligenz.

Hier ist eine Aufschlüsselung ihrer Arbeit unter Verwendung einfacher Analogien:

1. Das Problem: Der „Stau“ der Mathematik

In der Vergangenheit konnten Wissenschaftler nur winzige Systeme (einige wenige Atome) simulieren. Um ein realistisches Bauteil (tausende Atome) zu simulieren, wird die Mathematik unglaublich schwerfällig.

• Die Herausforderung: Die Gleichungen erfordern das Lösen massiver Rätsel, bei denen jedes Teil von jedem anderen Teil abhängt. Dies Stück für Stück zu erledigen, dauert ewig.
• Das Ziel: Sie wollten ein Silizium-„Nanoband“ (einen winzigen Draht) simulieren, das tatsächlich groß genug ist, um nützlich zu sein, während gleichzeitig berücksichtigt wird, dass Elektronen gegeneinander prallen (Streuung), was vergleichbar mit Autos im Verkehr ist, die sich gegenseitig ausbremsen.

2. Die Lösung: Das „Fließband“ (Parallelisierung)

Um die Geschwindigkeit zu erhöhen, hat das Team nicht nur einen schnelleren Computer gebaut; sie haben geändert, wie die Arbeit erledigt wird.

• Die Analogie: Stellen Sie sich eine riesige Bibliothek vor, in der Sie bestimmte Bücher finden müssen. Anstatt dass ein einzelner Bibliothekar die Gänge nacheinander durchläuft, haben sie 9.400 Bibliothekare (Computer) eingestellt, die gleichzeitig arbeiten.
• Der Trick: Sie entwickelten eine Methode namens Serinv. Betrachten Sie das riesige mathematische Problem als eine lange, wellenförmige Kette von Blöcken. Anstatt zu versuchen, die ganze Kette auf einmal zu lösen, hacken sie sie in kleinere Stücke und geben jedem Stück einen anderen Computer.
• Das Ergebnis: Sie testeten dies auf dem Frontier-Supercomputer (einem der leistungsstärksten der Welt). Sie simulierten einen Siliziumdraht mit 25.344 Atomen. Durch den Einsatz von 9.400 Computer-Nodes, die zusammenarbeiteten, erreichten sie eine Effizienz von 80 %. Das bedeutet, dass fast alle Computer beschäftigt waren zu arbeiten und nicht nur herumstanden und warteten.

3. Der „Zeitreise“-Trick (Algorithmen)

Die Mathematik umfasst zwei verschiedene Arten von Berechnungen, die Daten unterschiedlich organisiert benötigen.

• Die Analogie: Stellen Sie sich vor, Sie kochen einen Eintopf. Manchmal müssen Sie zuerst das gesamte Gemüse schneiden (eine Art der Datenorganisation), und ein anderes Mal müssen Sie den Topf lange Zeit umrühren (eine andere Art).
• Die Lösung: Das Team entwickelte ein System, das Daten sofort „transponieren“ oder umorganisieren kann. Es ist wie eine magische Küche, in der sich das Gemüse je nach Bedarf des Kochs sofort vom Schneidebrett in den Topf umarrangiert. Dies ermöglicht es ihnen, zwischen dem Lösen linearer Gleichungen und komplexen Energiekonvolutionen zu wechseln, ohne Zeit zu verschwenden.

4. Die „Kristallkugel“ (Maschinelles Lernen)

Selbst mit superschnellen Computern gibt es einen Engpass: die Erstellung der ursprünglichen Karte der Atome (Hamilton-Matrix) mittels einer Methode namens DFT (Dichtefunktionaltheorie).

• Das Problem: DFT ist wie das Zeichnen einer Stadtkarte, indem man jeden einzelnen Ziegelstein in jedem Gebäude misst. Es ist unglaublich genau, braucht aber eine enorme Menge an Zeit und Energie, besonders bei großen Städten (tausenden Atomen).
• Die Innovation: Das Team trainierte eine KI (speziell ein Graph Neural Network), um als „Kristallkugel“ zu fungieren.
  • Sie zeigten der KI einige Beispiele dafür, wie sich Atome in einem bestimmten Typ von Speicherzelle (einer sogenannten Valence Change Memory oder VCM) anordnen.
  • Die KI lernte die Muster. Nun kann die KI die Karte für neue Konfigurationen der Speicherzelle sofort vorhersagen, anstatt jeden Ziegelstein zu messen (DFT durchzuführen).
• Der Haken: Die KI ist sehr schnell (skaliert linear mit der Größe) und genau genug, um die allgemeine Form richtig zu erfassen, weist aber immer noch einen winzigen Fehler auf (etwa 2 meV). Es ist, als könnte die KI den Grundriss einer Stadt perfekt zeichnen, aber die Straßenschilder könnten leicht versetzt sein. Sie ist noch nicht perfekt genug, um den menschlichen Vermesser vollständig zu ersetzen, aber es ist ein riesiger Schritt nach vorne.

5. Die Ergebnisse: Was haben sie herausgefunden?

• Der Siliziumdraht: Sie haben erfolgreich einen Siliziumdraht mit Elektron-Elektron-Wechselwirkungen simuliert. Sie fanden heraus, dass die „Energielücke“ (Bandlücke), wenn Elektronen miteinander interagieren, etwas größer wird, genau wie es die Physik vorhersagt.
• Stromerhaltung: Sie bewiesen, dass ihre Simulation funktioniert, da der elektrische Strom, der auf der einen Seite des Drahtes eintritt, exakt dem Strom entspricht, der auf der anderen Seite austritt, selbst unter Berücksichtigung aller komplexen Wechselwirkungen.
• Der KI-Test: Sie nutzten ihre KI, um vorherzusagen, wie der Strom durch eine Speicherzelle fließt. Die Vorhersage der KI war der realen Physik sehr nahe, was bewies, dass maschinelles Lernen diese Simulationen signifikant beschleunigen kann.

Zusammenfassung

In diesem Paper geht es um Skalierung. Das Team hat eine Methode, die zuvor auf winzige, spielzeugartige Modelle beschränkt war, auf realistische, industrielle Bauteile skaliert. Dies gelang ihnen durch:

1. Die Aufteilung der Arbeit auf tausende Computer (Parallelisierung).
2. Die Umorganisation der Daten, damit die Computer nicht stecken bleiben (Algorithmen).
3. Das Training einer KI, um die schwierigsten Teile der Mathematik zu erraten und so Zeit zu sparen (Maschinelles Lernen).

Sie haben noch nicht alle Probleme gelöst (die KI ist nicht perfekt und einige Simulationen sind immer noch zu schwerfällig), aber sie haben den Motor gebaut, der es Wissenschaftlern ermöglicht, erstmals realistische Quantenbauteile mit hoher Genauigkeit zu simulieren.