🧬 biology

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

Este artículo demuestra que un método de submatriz local no ortogonal modificado logra más de 1.1 EFLOP/s en 4,400 GPUs NVIDIA A100, permitiendo simulaciones de dinámica molecular ab-initio de proteínas de la espícula del SARS-CoV-2 que contienen hasta 83 millones de átomos.

Autores originales: Robert Schade, Tobias Kenter, Hossam Elgabarty, Michael Lass, Thomas D. Kühne, Christian Plessl

Publicado 2026-09-29

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Robert Schade, Tobias Kenter, Hossam Elgabarty, Michael Lass, Thomas D. Kühne, Christian Plessl

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Para comprender cómo se comporta la materia en su nivel más fundamental, los científicos recurren a menudo a una técnica llamada dinámica molecular ab-initio. Este enfoque intenta simular el movimiento de los átomos en moléculas, superficies o sólidos mediante el cálculo de las fuerzas que los empujan y tiran de ellos. A diferencia de los métodos más antiguos que dependen de reglas empíricas simplificadas, esta técnica resuelve directamente el complejo problema de la mecánica cuántica de los electrones. Trata a los electrones no como un fondo vago, sino como los actores principales cuyo comportamiento dicta cómo interactúan los átomos. Si bien esto proporciona una imagen altamente precisa de las reacciones químicas y las propiedades de los materiales, conlleva un precio elevado: el esfuerzo computacional requerido crece tan rápidamente con el tamaño del sistema que simular estructuras grandes y realistas se consideró durante mucho tiempo imposible. Durante décadas, los investigadores se vieron obligados a estudiar fragmentos diminutos de materia, incapaces de ver el panorama completo de cómo miles de millones de átomos se mueven juntos en una célula viva o en un material complejo.

Un equipo de investigadores de la Universidad de Paderborn, en Alemania, ha logrado superar esta barrera, demostrando una forma de simular estructuras electrónicas para sistemas que contienen hasta 83 millones de átomos. Al adaptar un método conocido como la técnica de submatrices locales no ortogonales y ejecutarlo en una supercomputadora masiva equipada con miles de procesadores gráficos especializados, alcanzaron una velocidad de computación sostenida de más de 1,1 exaflops. Esto significa que el sistema realizó más de un trillón de operaciones de punto flotante por segundo, un hito que sitúa a esta aplicación científica específica entre las primeras en romper la barrera del "exaescala". Los investigadores no se limitaron a ejecutar una simulación; diseñaron una nueva forma de organizar el trabajo matemático para que el hardware pudiera operar a casi el 80 por ciento de su capacidad teórica máxima. Su trabajo demuestra que, con los ajustes algorítmicos adecuados, es posible calcular el comportamiento cuántico de proteínas enteras en solución, abriendo la puerta al estudio de la maquinaria biológica y de materiales complejos con un detalle sin precedentes.

El desafío central en estas simulaciones es que cada vez que un átomo se mueve, incluso por una fracción mínima, se debe recalcular toda la estructura electrónica del sistema para determinar las nuevas fuerzas que actúan sobre ese átomo. En los enfoques tradicionales, este recálculo se vuelve prohibitivamente lento a medida que aumenta el número de átomos. Los investigadores utilizaron un método que divide el enorme problema matemático en piezas más pequeñas y manejables llamadas submatrices. En lugar de intentar resolver la ecuación para todo el sistema a la vez, la computadora aísla secciones pequeñas de los datos, las resuelve de forma independiente y luego reensambla los resultados. Este enfoque "local" evita la necesidad de una comunicación constante entre diferentes partes de la computadora, lo que suele ser el cuello de botella en las simulaciones a gran escala. El equipo aplicó este método a un objetivo biológico específico: la proteína de espiga del virus SARS-CoV-2, que es la estructura que el virus utiliza para adherirse a las células humanas. Simularon la proteína anclada en una capa lipídica y rodeada de agua, creando un sistema con aproximadamente 1,7 millones de átomos para sus pruebas iniciales, y luego escalaron a una cuadrícula de estas proteínas para alcanzar un total de 83 millones de átomos.

Para lograr este nivel de rendimiento, los investigadores tuvieron que ir más allá del simple uso de más computadoras; tuvieron que repensar fundamentalmente cómo el software interactúa con el hardware. La supercomputadora que utilizaron, ubicada en el Centro Nacional de Investigación Científica de Energía (National Energy Research Scientific Computing Center), está equipada con 4.400 unidades de procesamiento gráfico NVIDIA A100. Estos chips están diseñados para manejar cantidades masivas de cálculos paralelos, pero son más eficientes cuando trabajan con bloques de datos grandes y densos. La versión original del algoritmo creaba submatrices que a menudo eran demasiado pequeñas para aprovechar plenamente el poder de estos chips. El equipo introdujo una nueva heurística, o un conjunto de reglas para la toma de decisiones, que combinaba múltiples columnas de datos en submatrices más grandes antes de procesarlas. Este ajuste no fue un simple retoque menor; fue un cambio estratégico basado en las características de rendimiento específicas de los procesadores gráficos. Al medir qué tan rápido los chips podían multiplicar matrices de diferentes tamaños, los investigadores optimizaron la agrupación de datos para asegurar que el hardware trabajara a su máxima eficiencia. Esta modificación permitió que el sistema mantuviera un nivel de rendimiento que antes se consideraba inalcanzable para este tipo de cálculo.

Los resultados de este esfuerzo se midieron ejecutando la simulación en una cuadrícula de proteínas de espiga, creando efectivamente un entorno virtual con 83 millones de átomos. El equipo rastreó el tiempo necesario para completar cada paso del cálculo y el número total de operaciones matemáticas realizadas. Encontraron que el sistema entregó consistentemente una velocidad de entre 1,106 y 1,127 exaflops, manteniendo aproximadamente el 80 por ciento del rendimiento teórico máximo del hardware. Este es un logro significativo porque los sistemas de computación de alto rendimiento suelen tener dificultades para mantener una alta eficiencia cuando escalan a miles de procesadores; usualmente, la eficiencia cae a medida que aumenta la sobrecarga de comunicación. En este caso, la naturaleza local del método significó que los procesadores pasaron casi todo su tiempo calculando en lugar de esperar datos. Los investigadores verificaron que la precisión de la simulación se mantuviera alta, asegurando que las ganancias de velocidad no se produjeran a expensas de la validez científica.

Este avance no trata solo de simular un virus; representa una nueva capacidad para la ciencia computacional. La capacidad de modelar estructuras electrónicas para sistemas con decenas de millones de átomos significa que los científicos pueden ahora estudiar fenómenos que antes estaban fuera de su alcance, como el comportamiento de grandes biomoléculas en sus entornos acuosos naturales o las propiedades de materiales complejos bajo tensión. El método es lo suficientemente versátil como para aplicarse a cualquier problema que requiera evaluar una función matemática para un conjunto de datos grande y disperso, no solo la dinámica molecular. Al demostrar que el rendimiento de exaescala es alcanzable en una aplicación científica del mundo real, los investigadores han proporcionado un modelo para la futura computación de alto rendimiento. Han demostrado que, al alinear el diseño algorítmico con las capacidades del hardware, es posible resolver problemas que antes se consideraban demasiado grandes para ser computados, trayendo el mundo de la mecánica cuántica de los átomos y los electrones a un enfoque más claro para el estudio de la vida y la materia.

Resumen Técnico: Rompiendo la barrera de la exaescala para el problema de la estructura electrónica en la dinámica molecular ab-initio

Definición del Problema
Las simulaciones de dinámica molecular ab-initio basadas en la estructura electrónica son esenciales para modelar efectos cuántico-mecánicos en la física del estado sólido, la química y la ciencia de materiales donde los potenciales empíricos clásicos fallan. Sin embargo, estas simulaciones requieren resolver el problema de la estructura electrónica en cada paso de tiempo para evaluar las fuerzas sobre los átomos. Aunque se han desarrollado métodos de escalamiento lineal para manejar sistemas grandes, lograr un alto rendimiento en arquitecturas masivamente paralelas sigue siendo un desafío. El principal cuello de botella computacional radica en obtener la energía electrónica ( $E_{elec}$ ) para sistemas muy grandes (millones de átomos), lo que tradicionalmente implica resolver problemas de autovalores de alta dimensión o evaluar funciones de matrices complejas como la función signo de la matriz de densidad.

Metodología
Los autores emplean el Método de Submatrices Locales No Ortogonales (NOLSM) implementado dentro del paquete de software CP2K. Este enfoque aproxima la matriz de densidad $D$ como una función de la Hamiltoniana de una partícula ( $H_0$ ) y la matriz de solapamiento ( $S$ ), específicamente $D = D(H_0, S)$ .

El algoritmo central procede en tres pasos para cada columna de las matrices de entrada:

Construcción de la Submatriz: Se genera una submatriz densa extrayendo filas y columnas relevantes de las matrices dispersas de entrada ( $H_0$ y $S$ ), eliminando efectivamente los elementos insignificantes.
Evaluación de la Función de Matriz: Se aplica la función de matriz requerida (involucrando la función signo mediante la iteración de Newton-Schulz) a estas submatrices densas.
Reconstrucción: Las columnas resultantes se mapean de nuevo a la estructura de matriz dispersa global.

Para lograr un rendimiento de escala exa, los autores aprovechan la aritmética de precisión mixta (FP16/FP32) en GPUs NVIDIA A100, utilizando núcleos tensor para las operaciones de álgebra lineal densa. El método minimiza la comunicación entre nodos durante la fase de solución debido a la naturaleza local de la construcción de la submatriz.

Contribuciones Clave e Innovaciones
Basándose en implementaciones previas [9], este trabajo introduce innovaciones específicas para maximizar el rendimiento pico sostenido:

Heurísticas de Combinación de Submatrices Conscientes de la GPU: Anteriormente, las submatrices se combinaban basándose en una métrica cúbica de operaciones de punto flotante (FLOPs) para minimizar el costo computacional. Los autores proponen un nuevo criterio que incorpora las características de rendimiento reales del hardware de la GPU. Al medir el rendimiento de la multiplicación de matrices $p(n)$ para diferentes tamaños de matriz $n$ , el nuevo heurístico combina columnas para maximizar la eficiencia del tiempo de ejecución predicho en lugar de solo minimizar el recuento de FLOPs. Esto se formaliza en la Ecuación 10:
$p(n_i+n_j-n_{i\wedge j}) \times (n_i + n_j - n_{i\wedge j})^3 < p(n_i) \times n_i^3 + p(n_j) \times n_j^3$
Esta modificación aumenta la dimensión promedio de las submatrices, permitiendo que el algoritmo utilice mejor los núcleos tensor y alcance una fracción mayor del rendimiento pico.
Escalabilidad: La implementación está diseñada para escalar eficientemente a miles de GPUs evitando cuellos de botella de comunicación global en la fase de solución.

Resultados
Los autores evaluaron su implementación en el sistema Perlmutter en el Centro Nacional de Investigación Científica de Computación de Alto Rendimiento (NERSC), utilizando 4,400 GPUs NVIDIA A100 a través de 1,100 nodos.

Tamaño del Sistema: Los cálculos se realizaron sobre proteínas de la espícula del SARS-CoV-2 en solución acuosa, escalando hasta 82.9 millones de átomos (una cuadrícula de $7\times7$ de la proteína).
Rendimiento: El sistema alcanzó un rendimiento de flujo de punto flotante sostenido de 1.106 a 1.127 EFLOP/s en aritmética mixta FP16/FP32.
Eficiencia: Este rendimiento representa aproximadamente el 80% del rendimiento pico teórico de los núcleos tensor en el hardware utilizado (1.248 PFLOP/s por nodo).
Comparación: Como se detalla en la Tabla I, este resultado supera significativamente los récords anteriores para la dinámica molecular AIMD basada en la estructura electrónica o la relajación de la estructura, que típicamente operaban en el rango de cientos de TFLOP/s a bajos PFLOP/s con porcentajes de eficiencia menores.

Significancia
El artículo afirma que este logro representa uno de los primeros casos en los que un algoritmo en la ciencia computacional natural ha roto la barrera de los exaflops dentro de una aplicación científica. Al demostrar que el método NOLSM puede utilizar eficientemente miles de GPUs para resolver problemas de estructura electrónica para sistemas con decenas de millones de átomos, el trabajo valida la viabilidad de los métodos de escalamiento lineal para la computación de exaescala. Los autores señalan que, aunque la aplicación específica es AIMD, el método es ampliamente aplicable a cualquier problema que requiera la evaluación de funciones de matriz para matrices dispersas grandes.

El trabajo no pretende resolver los problemas de ruido asociados con la aritmética de baja precisión (que se abordan mediante ecuaciones de Langevin modificadas en trabajos previos [7], [10]), sino que se centra estrictamente en las optimizaciones algorítmicas y arquitectónicas necesarias para alcanzar niveles de rendimiento de escala exa.

Más como este