🔬 materials science

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

Este artículo resume los avances algorítmicos clave en la paralelización y el aprendizaje automático que han permitido el escalamiento de simulaciones precisas de la teoría del funcional de la densidad ab-initio combinada con la función de Green fuera del equilibrio (DFT+NEGF) desde sistemas atómicos pequeños hasta dispositivos a nanoescala realistas y de gran escala.

Autores originales: Mathieu Luisier, Nicolas Vetsch, Alexander Maeder, Vincent Maillou, Anders Winka, Leonard Deuschle, Chen Hao Xia, Manasa Kaniselvan, Marko Mladenovic, Jiang Cao, Alexandros Nikolaos Ziogas

Publicado 2026-02-04

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Mathieu Luisier, Nicolas Vetsch, Alexander Maeder, Vincent Maillou, Anders Winka, Leonard Deuschle, Chen Hao Xia, Manasa Kaniselvan, Marko Mladenovic, Jiang Cao, Alexandros Nikolaos Ziogas

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de entender cómo fluye la electricidad a través de un cable microscópico hecho de silicio, tan pequeño que solo tiene unos pocos miles de átomos de ancho. Para hacer esto con precisión, los científicos utilizan una herramienta matemática compleja llamada NEGF (Función de Green de no equilibrio). Piensa en el NEGF como un pronóstico meteorológico superpreciso para los electrones: predice cómo se mueven, cómo rebotan entre sí y cómo interactúan con las vibraciones del material.

Sin embargo, ejecutar estos "pronósticos" para dispositivos de tamaño real ha sido como intentar predecir el clima de todo el planeta usando una calculadora de la década de 1980. Es demasiado lento y las computadoras se bloquean.

Este artículo de un equipo de la ETH Zurich describe cómo construyeron una "supercalculadora" para solucionar esto, utilizando tres trucos principales: mejores algoritmos, trabajo en equipo masivo (paralelización) e inteligencia artificial.

Aquí tienes un desglose de su trabajo utilizando analogías sencillas:

1. El Problema: El "Atasco" Matemático

En el pasado, los científicos solo podían simular sistemas diminutos (unos pocos átomos). Para simular un dispositivo realista (miles de átomos), las matemáticas se vuelven increíblemente pesadas.

El Desafío: Las ecuaciones requieren resolver rompecabezas masivos donde cada pieza depende de todas las demás. Hacer esto uno por uno toma una eternidad.
El Objetivo: Querían simular una "nanocinta" de silicio (un cable diminuto) que sea realmente lo suficientemente grande como para ser útil, teniendo en cuenta que los electrones chocan entre sí (dispersión), lo cual es como coches en un atasco que ralentizan unos a otros.

2. La Solución: La "Línea de Montaje" (Paralelización)

Para acelerar las cosas, el equipo no solo construyó una computadora más rápida; cambiaron la forma en que se realiza el trabajo.

La Analogía: Imagina una biblioteca masiva donde necesitas encontrar libros específicos. En lugar de tener a un solo bibliotecario recorriendo los pasillos uno por uno, contrataron a 9,400 bibliotecarios (computadoras) para que trabajen al mismo tiempo.
El Truco: Desarrollaron un método llamado Serinv. Piensa en el enorme problema matemático como una línea larga y ondulada de bloques. En lugar de intentar resolver toda la línea a la vez, la dividen en trozos más pequeños y le entregan cada trozo a una computadora diferente.
El Resultado: Probaron esto en la supercomputadora Frontier (una de las más potas del mundo). Simularon un cable de silicio con 25,344 átomos. Al usar 9,400 nodos de computación trabajando juntos, lograron una eficiencia del 80%. Esto significa que casi todas las computadoras estaban ocupadas trabajando, no solo esperando.

3. El Truco del "Viaje en el Tiempo" (Algoritmos)

Las matemáticas implican dos tipos diferentes de cálculos que necesitan los datos organizados de forma distinta.

La Analogía: Imagina que estás cocinando un estofado. A veces necesitas picar todos los vegetales primero (una forma de organizar los datos), y otras veces necesitas revolver la olla durante mucho tiempo (una forma diferente).
La Solución: El equipo creó un sistema que puede "transponer" o reorganizar los datos instantáneamente. Es como tener una cocina mágica donde los vegetales se reorganizan instantáneamente de una tabla de cortar a una olla dependiendo de lo que el chef necesite a continuación. Esto les permite cambiar entre resolver ecuaciones lineales y realizar convoluciones de energía complejas sin perder tiempo.

4. La "Bola de Cristal" (Aprendizaje Automático)

Incluso con computadoras superrápidas, hay un cuello de botella: crear el mapa inicial de los átomos (la matriz Hamiltoniana) utilizando un método llamado DFT (Teoría del Funcional de la Densidad).

El Problema: La DFT es como dibujar el mapa de una ciudad midiendo cada ladrillo en cada edificio. Es increíblemente preciso pero requiere una cantidad enorme de tiempo y energía, especialmente para ciudades grandes (miles de átomos).
La Innovación: El equipo entrenó a una IA (específicamente una Red Neuronal de Grafos) para que actúe como una "bola de cristal".
- Le mostraron a la IA algunos ejemplos de cómo se organizan los átomos en un tipo específico de celda de memoria (llamada Memoria de Cambio de Valencia o VCM).
- La IA aprendió los patrones. Ahora, en lugar de medir cada ladrillo (DFT), la IA puede predecir instantáneamente el mapa para nuevas configuraciones de la celda de memoria.
El Matiz: La IA es muy rápida (su escala es lineal con el tamaño) y lo suficientemente precisa para obtener la forma general, pero todavía tiene un error minúsculo (aproximadamente 2 meV). Es como si la IA pudiera dibujar un mapa perfecto del diseño de una ciudad, pero las señales de tráfico pudieran estar ligeramente desviadas. No es lo suficientemente perfecta todavía como para reemplazar al topógrafo humano por completo, pero es un gran paso adelante.

5. ¿Qué Encontraron? Los Resultados

El Cable de Silicio: Simularon con éxito un cable de silicio con interacciones electrón-electrón. Encontraron que cuando los electrones interactúan, la "brecha" de energía (band gap) se hace ligeramente más grande, tal como predice la física.
Conservación de la Corriente: Demostraron que su simulación funciona porque la corriente eléctrica que entra por un lado del cable es exactamente la misma que sale por el otro, incluso con todas las interacciones complejas.
La Prueba de la IA: Utilizaron su IA para predecir cómo fluye la electricidad a través de una celda de memoria. La predicción de la IA fue muy cercana a la física real, demostrando que el aprendizaje automático puede acelerar significativamente estas simulaciones.

Resumen

Este artículo trata sobre escalar. El equipo tomó un método que anteriormente estaba limitado a modelos diminutos y de juguete y lo escaló a dispositivos realistas de tamaño industrial. Lo hicieron mediante:

Dividir el trabajo entre miles de computadoras (Paralelización).
Reorganizar los datos para que las computadoras no se queden estancadas (Algoritmos).
Enseñar a una IA a adivinar las partes más difíciles de las matemáticas, ahorrando tiempo (Aprendizaje Automático).

Aún no han resuelto todos los problemas (la IA no es perfecta y algunas simulaciones siguen siendo muy pesadas), pero han construido el motor que permite a los científicos simular finalmente dispositivos cuánticos realistas con alta precisión.

Resumen Técnico: Aceleración de la NEGF Atomística

Planteamiento del Problema
La continua miniaturización de los transistores ha llevado las dimensiones de los dispositivos al régimen donde son necesarias las simulaciones de transporte cuántico (QT) ab-initio. Si bien el formalismo de la función de Green fuera del equilibrio (NEGF) combinado con la Teoría del Funcional de la Densidad (DFT) ofrece un marco riguroso para simular dispositivos a nanoescala, las implementaciones actuales enfrentan cuellos de botella significativos. Históricamente, estas simulaciones se han visto restringidas a sistemas pequeños (pocos átomos) o al límite de transporte balístico. La inclusión de mecanismos de dispersión complejos (electrón-fonón, electrón-electrón, electrón-fotón) y el escalado a tamaños de dispositivos realistas (miles de átomos) sigue siendo computacionalmente prohibitivo debido al escalado $O(N^3)$ de la DFT y a la naturaleza secuencial de los algoritmos tradicionales de la función de Green recursiva (RGF). Además, la generación de matrices hamiltonianas para estructuras grandes y dinámicamente evolutivas (por ejemplo, durante barridos de voltaje) sigue siendo un desafío importante.

Metodología
Los autores abordan estas limitaciones mediante un enfoque multifacético que involucra la optimización algorítmica, la paralelización de alto rendimiento y la integración de aprendizaje automático:

Marco Algorítmico: El núcleo de la simulación se basa en la resolución de las ecuaciones NEGF para las funciones de Green retardadas ( $G^R$ ) y menores/mayores ( $G^{<,>}$ ) en presencia de auto-energías de dispersión ( $\Sigma^{R, <, >}$ ). La metodología distingue entre dos tareas computacionales:
- Sistemas de Ecuaciones Lineales (LSE): Resolución de las funciones de Green en puntos de energía específicos, los cuales son independientes y aptos para la paralelización.
- Convoluciones de Energía (EC): Cálculo de los términos de dispersión que requieren la integración sobre muchos puntos de energía.
  Para optimizar la memoria y la comunicación, los autores implementan un esquema de transposición de datos. Para las tareas de LSE, los datos se almacenan por punto de energía ( $E, \omega$ ) a través de índices espaciales ( $i, j$ ), mientras que para las tareas de EC (usando Transformadas Rápidas de Fourier), los datos se transponen para acceder a múltiples puntos de energía para índices espaciales específicos.
Paralelización (Serinv): Para superar el cuello de botella secuencial del algoritmo RGF estándar, los autores utilizan la librería Serinv. Este paquete de código abierto basado en GPU emplea el método del complemento de Schur en matrices tridiagonales de bloques (BT). El sistema se particiona a través de múltiples unidades de cómputo (CPU/GPU), permitiendo la solución paralela de sistemas de ecuaciones reducidos antes de reconstruir las entradas locales de la función de Green.
Integración de Aprendizaje Automático: Para evitar el costoso cálculo de DFT $O(N^3)$ para la generación del Hamiltoniano, los autores exploran Redes Neuronales de Grafos Equivariantes (EGNN). El flujo de trabajo propuesto consiste en entrenar una EGNN con datos de DFT de una configuración de dispositivo única. Una vez entrenada, la red predice las entradas de la matriz Hamiltoniana para nuevas configuraciones (por ejemplo, diferentes distribuciones de vacantes de oxígeno en celdas de memoria) con un escalado $O(N)$ , permitiendo la simulación de miles de átomos.

Contribuciones Clave

Paquete QuaTrEx: La implementación de estos modelos y algoritmos en un nuevo paquete de código abierto llamado QuaTrEx.
Solucionador Paralelo Escalable: Una demostración de escalado débil en la supercomputadora Frontier, logrando un 80% de eficiencia de paralelización al escalar de 1 a 9,400 nodos (75,200 GPUs) para una simulación de nanocinta de silicio.
Inclusión de Dispersión: Simulación exitosa de una nanocinta de silicio (25,344 átomos) incluyendo interacciones electrón-electrón autoconsistentes (aproximación GW), yendo más allá del límite balístico.
Predicción de Hamiltoniano mediante ML: Desarrollo de una EGNN capaz de predecir matrices Hamiltonianas para dispositivos con miles de átomos, entrenada en una sola configuración para manejar estados físicos variables.

Resultados

Simulación de Nanocinta de Silicio: Los autores simularon una nanocinta de silicio de 52.1 nm de largo con 25,344 átomos. Los resultados confirmaron que la inclusión de interacciones electrón-electrón (vía GW autoconsistente) aumenta ligeramente la brecha de banda (band gap), lo cual es consistente con las expectativas teóricas. El estudio también validó la conservación de la corriente a través del dispositivo a pesar de las variaciones en la distribución espectral de la corriente a lo largo de la dirección de transporte.
Rendimiento: La implementación paralela manejó con éxito la escala completa de la supercomputadora Frontier, demostrando la viabilidad de simular dispositivos de gran escala con dispersión de portadores-portadores.
Precisión del Aprendizaje Automático: Para la aplicación de celda de Memoria de Cambio de Valencia (VCM), la EGNN logró un error promedio de aproximadamente 2 meV en las entradas del Hamiltoniano comparado con DFT. Sin embargo, los autores señalan que, aunque este error es comparable con las predicciones moleculares de vanguardia, actualmente no es lo suficientemente preciso para reproducir completamente el comportamiento de la función de transmisión del dispositivo.

Significancia y Reivindicaciones
El artículo afirma que la combinación de la estrategia de paralelización de Serinv y los algoritmos numéricos dedicados desbloquea la capacidad de explorar tamaños de dispositivos y funcionalidades más cercanos a la realidad experimental, incluyendo efectos físicos relevantes como la dispersión de portadores-portadores que anteriormente eran demasiado costosos computacionalmente.

Respecto al aprendizaje automático, los autores lo presentan como una vía prometedora para eliminar parcialmente la necesidad de cálculos repetidos de DFT, particularmente para dispositivos con geometrías atómicas en evolución temporal. No obstante, mantienen la modestia sobre el estado actual de esta tecnología, reconociendo que, si bien los beneficios de escalado son significativos ( $O(N)$ frente a $O(N^3)$ ), la precisión predictiva para propiedades de transporte complejas (como las funciones de transmisión) aún no es suficiente para un reemplazo total de los métodos de primeros principios. El trabajo sirve como un paso fundacional hacia la integración del ML en los flujos de trabajo de QT ab-initio.