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

Pour comprendre comment la matière se comporte à son niveau le plus fondamental, les scientifiques ont souvent recours à une technique appelée dynamique moléculaire ab initio. Cette approche tente de simuler le mouvement des atomes dans les molécules, les surfaces ou les solides en calculant les forces qui les poussent et les tirent. Contrairement aux anciennes méthodes qui reposent sur des règles empiriques simplifiées, cette technique résout directement le problème complexe de la mécanique quantique des électrons. Elle traite les électrons non pas comme un arrière-plan vague, mais comme les acteurs principaux dont le comportement dicte l'interaction entre les atomes. Bien que cela fournisse une image hautement précise des réactions chimiques et des propriétés des matériaux, cela s'accompagne d'un prix élevé : l'effort de calcul requis croît si rapidement avec la taille du système que la simulation de structures larges et réalistes a longtemps été considérée comme impossible. Pendant des décennies, les chercheurs ont été contraints d'étudier de minuscules fragments de matière, incapables de voir l'image complète du mouvement conjoint de milliards d'atomes dans une cellule vivante ou un matériau complexe.

Une équipe de chercheurs de l'Université de Paderborn, en Allemagne, a désormais franchi cette barrière, démontant un moyen de simuler les structures électroniques pour des systèmes contenant jusqu'à 83 millions d'atomes. En adaptant une méthode connue sous le nom de technique de sous-matrice locale non orthogonale et en l'exécutant sur un supercalculateur massif équipé de milliers de processeurs graphiques spécialisés, ils ont atteint une vitesse de calcul soutenue de plus de 1,1 exaflops. Cela signifie que le système a effectué plus d'un quintillion d'opérations de virgule flottante par seconde, un jalon qui place cette application scientifique spécifique parmi les toutes premières à avoir franchi la barrière de l'« exascale ». Les chercheurs ne se sont pas contentés de lancer une simulation ; ils ont conçu une nouvelle façon d'organiser le travail mathématique afin que le matériel puisse fonctionner à près de 80 % de sa capacité théorique maximale. Leur travail prouve qu'avec les ajustements algorithmiques appropriés, il est possible de calculer le comportement quantique de protéines entières en solution, ouvrant la voie à l'étude de la machinerie biologique et des matériaux complexes avec un niveau de détail sans précédent.

Le défi central de ces simulations est que chaque fois qu'un atome se déplace, même d'une fraction infime, toute la structure électronique du système doit être recalculée pour déterminer les nouvelles forces agissant sur cet atome. Dans les approches traditionnelles, ce recalcul devient prohibitif à mesure que le nombre d'atomes augmente. Les chercheurs ont utilisé une méthode qui décompose le problème mathématique massif en morceaux plus petits et gérables appelés sous-matrices. Au lieu d'essayer de résoudre l'équation pour l'ensemble du système à la fois, l'ordinateur isole de petites sections de données, les résout indépendamment, puis réassemble les résultats. Cette approche « locale » évite la nécessité d'une communication constante entre les différentes parties de l'ordinateur, ce qui constitue habituellement le goulot d'étranglement dans les simulations à grande échelle. L'équipe a appliqué cette méthode à une cible biologique spécifique : la protéine de pointe (spike protein) du virus SARS-CoV-2, qui est la structure utilisée par le virus pour s'attacher aux cellules humaines. Ils ont simulé la protéine ancrée dans une couche lipidique et entourée d'eau, créant un système d'environ 1,7 million d'atomes pour leurs tests initiaux, puis passant à une grille de ces protéines pour atteindre un total de 83 millions d'atomes.

Pour atteindre un tel niveau de performance, les chercheurs ont dû aller au-delà de la simple utilisation de plus d'ordinateurs ; ils ont dû repenser fondamentalement la manière dont le logiciel interagit avec le matériel. Le supercalculateur qu'ils ont utilisé, situé au National Energy Research Scientific Computing Center, est équipé de 4 400 unités de traitement graphique NVIDIA A100. Ces puces sont conçues pour gérer des quantités massives de calculs parallèles, mais elles sont plus efficaces lorsqu'elles travaillent sur de grands blocs de données denses. La version originale de l'algorithme créait des sous-matrices qui étaient souvent trop petites pour exploiter pleinement la puissance de ces puces. L'équipe a introduit une nouvelle heuristique, ou un ensemble de règles de décision, qui combinait plusieurs colonnes de données en de plus grandes sous-matrices avant leur traitement. Cet ajustement n'était pas qu'une simple retouche mineure ; c'était un changement stratégique basé sur les caractéristiques de performance spécifiques des processeurs graphiques. En mesurant la vitesse à laquelle les puces pouvaient multiplier des matrices de différentes tailles, les chercheurs ont optimisé le regroupement des données pour garantir que le matériel travaille à son efficacité maximale. Cette modification a permis au système de maintenir un niveau de performance auparavant jugé inatteignable pour ce type de calcul.

Les résultats de cet effort ont été mesurés en exécutant la simulation sur une grille de protéines de pointe, créant ainsi un environnement virtuel de 83 millions d'atomes. L'équipe a suivi le temps nécessaire pour compléter chaque étape du calcul et le nombre total d'opérations mathématiques effectuées. Ils ont constaté que le système délivrait systématiquement une vitesse comprise entre 1,106 et 1,127 exaflops, maintenant environ 80 % de la performance de pointe théorique du matériel. C'est une réussite significative car les systèmes de calcul haute performance luttent souvent pour maintenir une efficacité élevée lorsqu'ils passent à l'échelle avec des milliers de processeurs ; généralement, l'efficacité chute à mesure que la surcharge de communication augmente. Dans ce cas, la nature locale de la méthode signifiait que les processeurs passaient presque tout leur temps à calculer plutôt qu'à attendre des données. Les chercheurs ont vérifié que la précision de la simulation restait élevée, garantissant que les gains de vitesse ne se faisaient pas au détriment de la validité scientifique.

Cette percée ne concerne pas seulement la simulation d'un virus ; elle représente une nouvelle capacité pour la science computationnelle. La capacité de modéliser les structures électroniques pour des systèmes de dizaines de millions d'atomes signifie que les scientifiques peuvent désormais étudier des phénomènes qui étaient auparavant hors de portée, tels que le comportement de grosses biomolécules dans leurs environnements aqueux naturels ou les propriétés de matériaux complexes sous contrainte. La méthode est assez polyvalente pour être appliquée à n'importe quel problème nécessitant l'évaluation d'une fonction mathématique pour un ensemble de données large et éparse, et pas seulement à la dynamique moléculaire. En démontrant que la performance exascale est réalisable pour une application scientifique réelle, les chercheurs ont fourni un modèle pour le calcul de haute performance futur. Ils ont montré qu'en alignant la conception algorithmique sur les capacités matérielles, il est possible de résoudre des problèmes qui étaient autrefois considérés comme trop vastes pour être calculés, apportant ainsi le monde de la mécanique quantique des atomes et des électrons dans un éclairage plus clair pour l'étude de la vie et de la matière.