🔬 física

Fully GPU-accelerated semistochastic Epstein-Nesbet perturbation theory

Este artículo presenta una implementación totalmente acelerada por GPU de la teoría de perturbación de segundo orden de Epstein-Nesbet semiestocástica distribuida que fusiona pasos computacionales clave y utiliza arreglos CountSketch para reducir drásticamente los costos de memoria y comunicación, logrando aceleraciones de hasta 37.53 veces sobre los métodos basados en CPU mientras mantiene una alta eficiencia de paralelismo para aplicaciones de química cuántica a gran escala.

Autor original: Lizhong Fu, Honghui Shang, Jinlong Yang

Publicado 2026-11-11

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autor original: Lizhong Fu, Honghui Shang, Jinlong Yang

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 el autor. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo microscópico de los átomos y las moléculas, los científicos buscan comprender cómo se mueven e interactúan los electrones para mantener la materia unida. Para lograrlo, construyen modelos matemáticos de la "función de onda", una descripción que captura la naturaleza compleja y probabilística de estas diminutas partículas. Durante décadas, la forma más precisa de resolver estos modelos ha sido enumerar cada disposición posible de los electrones, un método conocido como interacción de configuración completa. Sin embargo, a medida que las moléculas crecen, el número de posibles disposiciones aumenta tan rápidamente que incluso las supercomputadoras más potentes del mundo no pueden enumerarlas todas. Para hacer frente a esto, los investigadores utilizan una estrategia llamada interacción de configuración selectiva, que conserva solo las disposiciones más importantes y descarta el resto. Si bien esto hace que el problema sea manejable, deja un vacío: las disposiciones descartadas siguen influyendo en la energía de la molécula. Para obtener una respuesta verdaderamente precisa, los científicos deben estimar el efecto de estas piezas faltantes. Esta estimación, conocida como la teoría de perturbación de segundo orden de Epstein–Nesbet, es un paso final crucial que convierte una respuesta aproximada en una altamente precisa. No obstante, realizar este cálculo para moléculas grandes ha sido tradicionalmente un proceso lento y ávido de memoria que lucha por mantener el ritmo del hardware informático moderno.

Un equipo de investigadores de la Universidad de Ciencia y Tecnología de China ha resuelto ahora este cuello de botella mediante la creación de una nueva forma de ejecutar estos cálculos íntegramente en unidades de procesamiento gráfico, o GPU. Estas son chips potentes diseñados originalmente para videojuegos, pero ahora ampliamente utilizados en la computación científica porque pueden realizar millones de cálculos simples simultáneamente. Los investigadores, liderados por Honghui Shang y Jinlong Yang, desarrollaron un sistema de software que fusiona tres pasos difíciles —generar posibles disposiciones de electrones, filtrar las insignificantes y calcular sus contribuciones de energía— en una única operación optimizada. En lugar de almacenar una lista masiva y desmedida de cada posible disposición de electrones que podría existir fuera del cálculo principal, su método utiliza un ingenioso truco estadístico. Comprime la información sobre estos millones de disposiciones descartadas en una estructura de memoria de tamaño fijo y reducido. Esto permite que la computadora sume las contribuciones de todas estas piezas faltantes sin necesidad de escribirlas individualmente ni de mover enormes cantidades de datos entre diferentes procesadores.

Los resultados de este nuevo enfoque son sorprendentes. Cuando se probó en una sola GPU moderna, el sistema completó estas complejas correcciones de energía entre ocho y treinta y siete veces más rápido que los métodos anteriores ejecutados en sesenta y cuatro procesadores tradicionales, manteniendo al mismo tiempo el mismo nivel de precisión estadística. Los investigadores demostraron que su método escala eficientamente, lo que significa que continúa funcionando bien incluso cuando se distribuye entre múltiples GPU trabajando en conjunto. En pruebas que involucraron un complejo de hierro-oxo y un modelo de una molécula de hierro-porfirina, el sistema manejó funciones de onda de referencia que contenían hasta 200 millones de disposiciones de electrones. Para la molécula de hierro-porfirina, el cálculo tomó aproximadamente 85 segundos en una sola GPU, una tarea que habría sido prohibitivamente lenta o imposible con las técnicas anteriores. El método también demostró ser eficaz cuando se aplicó a funciones de onda generadas por redes neuronales artificiales, un enfoque más nuevo para modelar electrones que no depende de la diagonalización tradicional. En estos casos, la nueva herramienta refinó con éxito las predicciones de la red neuronal, llevando las energías calculadas a un nivel de precisión conocido como "precisión química", donde el error es lo suficientemente pequeño como para ser útil para predecir el comportamiento químico en el mundo real.

La importancia de este trabajo reside no solo en la velocidad, sino en cómo cambia lo que es posible. Al eliminar las barreras de memoria que anteriormente obligaban a los científicos a simplificar sus modelos o esperar días por los resultados, esta herramienta acelerada por GPU permite a los investigadores abordar sistemas químicos mucho más grandes y complejos. El equipo aplicó su método para estudiar el delicado equilibrio de los estados de energía en moléculas basadas en hierro, las cuales son centrales en los procesos biológicos y la catálisis industrial. Sus cálculos proporcionaron una visión más clara sobre si estas moléculas prefieren un estado triplete o un estado quintete, resolviendo ambigüedades dejadas por estudios anteriores menos precisos. Además, la capacidad de aplicar estas correcciones a las funciones de onda basadas en redes neuronales sugiere un nuevo camino a seguir: utilizar la inteligencia artificial para generar una suposición aproximada del comportamiento de una molécula y luego usar esta herramienta rápida y precisa para pulirla hasta convertirla en una respuesta definitiva. Los investigadores han puesto su software a disposición de la comunidad, abriendo la puerta para que otros exploren las estructuras electrónicas de materiales complejos con una velocidad y eficiencia que antes estaban fuera de su alcance.

Resumen Técnico: Teoría de Perturbación de Epstein–Nesbet Semiestocástica Completamente Acelerada por GPU

Planteamiento del Problema
La teoría de perturbación de segundo orden de Epstein–Nesbet (EN-PT2) es una herramienta crítica para refinar las energías obtenidas mediante métodos de Interacción de Configuración Seleccionada (SCI), al estimar la energía de correlación de los determinantes fuera del espacio de referencia. Sin embargo, aplicar EN-PT2 a funciones de onda de referencia grandes en clústeres de GPU enfrenta tres cuellos de botella principales:

Generación de Excitaciones: Las implementaciones existentes suelen generar determinantes acoplados en CPUs, lo que crea un cuello de botella debido a los accesos indirectos a tablas y a las salidas de longitud variable que requieren una gestión compleja de buffers.
Memoria de Dispositivo: Almacenar el conjunto completo de determinantes externos y sus contribuciones parciales excede la capacidad de memoria de las GPUs actuales, ya que el espacio externo puede ser órdenes de magnitud más grande que el espacio de referencia.
Comunicación: En entornos distribuidos, las contribuciones al mismo determinante externo provenientes de diferentes GPUs deben agregarse antes de realizar el cuadrado. Esto requiere típicamente una comunicación all-to-all irregular de registros de determinantes explícitos, cuyo volumen escala desfavorablemente con el número de registros generados.

Metodología
Los autores presentan una implementación completamente acelerada por GPU y distribuida de EN-PT2 semiestocástica, diseñada para superar estas limitaciones mediante tres innovaciones centrales:

Kernel de Fusión en GPU: Los autores implementan un único kernel fusionado que realiza la generación de excitaciones, el cribado (screening) y el pesaje de PT2 simultáneamente en la GPU. Este kernel procesa los determinantes de referencia (o muestras pesadas), genera excitaciones simples y dobles a partir de tablas precomputadas, aplica umbrales de cribado ( $\epsilon_c$ y $\epsilon_f$ ) y acumula las contribuciones de inmediato. Esto elimina la necesidad de almacenar listas explícitas de determinantes externos o de coordinar escrituras paralelas en buffers de longitud variable.
Acumulación mediante CountSketch: Para evitar el almacenamiento del masivo conjunto de determinantes externos, el método acumula las contribuciones directamente en arreglos de fase aleatoria tipo CountSketch de tamaño fijo. Cada determinante externo se mapea a un "cubo" (bucket) específico mediante una función hash y se le asigna una fase aleatoria ( $\pm 1, \pm i$ ). Las contribuciones al mismo determinante comparten el mismo cubo y fase, lo que permite que se sumen de forma coherente. Las contribuciones de diferentes determinantes en el mismo cubo introducen términos cruzados, pero su valor de esperanza desaparece debido a las fases independientes. Esto permite al método estimar la energía de PT2 sin almacenar el conjunto externo completo.
Comunicación Colectiva Acotada: Debido a que los arreglos CountSketch son de tamaño fijo y utilizan esquemas de hashing y fase idénticos en todas las GPUs, los arreglos pueden sumarse a través del clúster utilizando una operación AllReduce estándar (vía NCCL). Esto reemplaza el intercambio irregular y costoso de registros de determinantes explícitos por una sumatoria colectiva acotada de arreglos de tamaño fijo.

La implementación sigue una estrategia semiestocástica, combinando un control determinista (recorriendo un subconjunto de coeficientes grandes) con una corrección muestreada (muestreando estocásticamente el resto) para alcanzar un error estándar (SE) estadístico objetivo.

Contribuciones Clave

Fusión Algorítmica: La integración de la generación de excitaciones, el cribado y la acumulación en un solo recorrido de GPU, eliminando la sobrecarga de transferencia de datos CPU-GPU para los pasos intermedios.
Eficiencia de Memoria: El uso de CountSketch reduce el uso de memoria pico de escalar con el número de determinantes externos (gigabytes a terabytes) a un tamaño fijo determinado por el número de cubos (megabytes), permitiendo cálculos en dispositivos con memoria limitada.
Comunicación Escalable: El reemplazo de la comunicación all-to-all basada en registros por un AllReduce en arreglos de tamaño fijo, reduciendo drásticamente el volumen de comunicación y permitiendo un escalado fuerte.
Aplicabilidad General: El código acepta determinantes explícitos y coeficientes de diversos métodos variacionales, incluyendo SCI tradicional y Estados Cuánticos de Redes Neuronales (NNQS), lo que lo convierte en una herramienta de post-procesamiento versátil para la era de la GPU.

Resultados
El artículo valida el método mediante precisión numérica, comparativas de velocidad (benchmarks) y aplicaciones a gran escala:

Precisión: Las comparaciones con el código Arrow basado en CPU a través de 10 moléculas muestran que la implementación en GPU reproduce las energías corregidas por PT2 con alta fidelidad. Para un sistema de hierro-porfirina, la desviación estándar empírica de 64 ejecuciones independientes coincidió con el error estándar estadístico reportado, confirmando la fiabilidad del estimador CountSketch.
Aceleración: En una sola GPU NVIDIA A100, la implementación es de 8.21 a 37.53 veces más rápida que Arrow ejecutándose en 64 núcleos de CPU para sistemas que requieren el mismo error estándar estadístico (10 $\mu E_h$ ).
Eficiencia de Paralelismo: Pruebas de escalado fuerte en hasta 16 GPUs (a través de dos nodos) alcanzaron una eficiencia de paralelismo del 93.5% para una carga de trabajo fija, demostrando una excelente escalabilidad.
Reducción de Memoria: Para una referencia con 2 millones de determinantes, la acumulación basada en sketch redujo el uso de memoria de tensor pico por GPU en un factor de aproximadamente 35 en comparación con la acumulación exacta (0.325 GiB frente a 11.35 GiB).
Aplicaciones a Gran Escala:
- Complejo de Hierro-Oxo: Aplicado a un espacio activo de (60e, 187o) con 150 millones de determinantes, refinando el desdoblamiento triplete-quintete y confirmando la preferencia del quintete sin la reversión sugerida por cálculos más pequeños.
- Hierro-Porfirina: Manejó referencias con 200 millones de determinantes por estado, refinando la brecha triplete-quintete a 5.93 m $E_h$ (extrapolado), consistente con otros métodos de alto nivel.
- Estados Cuánticos de Redes Neuronales (NNQS): Aplicado con éxito a funciones de onda de NNQS autorregresivas para H $_2$ O, NH $_3$ y HCN. La corrección PT2 redujo los errores con signo a la precisión química (dentro de 1.6 m $E_h$ ) incluso cuando los errores variacionales eran significativamente mayores, demostrando la utilidad del post-procesamiento perturbativo para estados de redes neuronales.

Significancia
El artículo afirma que este trabajo establece una ruta práctica y eficiente para aplicar correcciones perturbativas a grandes funciones de onda de referencia en la era de la GPU. Al fusionar la generación y la acumulación y utilizar CountSketch, el método elimina las barreras de memoria y comunicación que anteriormente dificultaban la aceleración por GPU de EN-PT2. Los autores enfatizan que esto permite a los investigadores aplicar directamente correcciones perturbativas de alta precisión en los mismos clústeres de GPU utilizados para generar la función de referencia, ya sea que estas provengan de métodos SCI tradicionales o de enfoques emergentes basados en redes neuronales. Los resultados sugieren que este enfoque puede reducir significativamente el entrenamiento variacional requerido para que los NNQS alcancen la precisión química.

Más como este