Advancing Quantum Many-Body GW Calculations on Exascale Supercomputing Platforms

Cet article présente des implémentations innovantes de la méthode GW dans le package BerkeleyGW, permettant des simulations de matériaux quantiques à l'échelle exascale sur les supercalculateurs Frontier et Aurora avec une précision inédite et une excellente portabilité sur des architectures GPU.

L'essentiel

🚀 Vers l'Infini et Au-delà : Comment les Superordinateurs Décryptent la Matière

Imaginez que vous essayez de prédire le temps qu'il fera demain. C'est déjà difficile ! Maintenant, imaginez devoir prédire le comportement de chaque atome dans un morceau de métal, un cristal ou un nouveau matériau quantique, en tenant compte de la façon dont ils "discutent" tous ensemble. C'est ce que font les scientifiques avec des méthodes appelées GW.

Mais il y a un problème : c'est comme essayer de résoudre un puzzle de 10 milliards de pièces en utilisant une calculatrice de poche. C'est trop lent et trop compliqué.

Ce papier raconte l'histoire d'une équipe (BerkeleyGW) qui a réussi à transformer cette "calculatrice de poche" en un moteur de course de Formule 1 capable de rouler sur les plus grandes routes du monde : les superordinateurs Frontier et Aurora.

Voici comment ils ont fait, avec quelques analogies pour mieux comprendre :

1. Le Problème : Le Bouchon de Trafic Quantique

Pour comprendre comment fonctionne un matériau (comme un semi-conducteur pour votre téléphone ou un qubit pour un ordinateur quantique), il faut calculer les interactions entre les électrons.

• L'ancienne méthode (DFT) : C'est comme regarder une photo de la foule. On voit les gens, mais on ne sait pas comment ils bougent ou s'ils se parlent. C'est rapide, mais imprécis pour les détails fins.
• La méthode GW (la nouvelle) : C'est comme filmer la foule en ultra-HD et analyser chaque conversation. C'est incroyablement précis, mais cela demande une puissance de calcul monstrueuse. Jusqu'à présent, on ne pouvait pas le faire pour de très gros systèmes (des milliers d'atomes).

2. La Solution : Une Équipe de Course Polyglotte

Le défi n'était pas seulement de calculer plus vite, mais de faire tourner le même logiciel sur des machines différentes.

• L'analogie du Camion : Imaginez que vous avez un camion (votre logiciel) qui doit livrer des colis (les calculs) sur trois types de routes très différents : des routes en asphalte (NVIDIA), des routes en gravier (AMD) et des routes de montagne (Intel).
• L'innovation : L'équipe a rendu leur camion "intelligent". Au lieu de changer de camion pour chaque route, ils ont créé un système de suspension universel (des outils de programmation ouverts comme OpenACC et OpenMP) qui s'adapte automatiquement au terrain. Que la route soit faite par AMD, Intel ou NVIDIA, le camion roule aussi vite que possible. C'est ce qu'ils appellent la "portabilité de performance".

3. Les Astuces de Mécanicien (Optimisations)

Pour atteindre la vitesse de la lumière, ils ont dû optimiser chaque pièce du moteur :

• Le "Subspace" (La Bibliothèque Intelligente) : Au lieu de lire chaque livre d'une bibliothèque de 100 000 volumes pour trouver une information, ils ont créé un résumé intelligent. Ils ne lisent que les chapitres importants (les "sous-espaces") pour obtenir le même résultat 25 à 100 fois plus vite.
• Le "Pseudobands" (Les Équipes de Remplacement) : Parfois, il y a trop de joueurs sur le terrain. Ils ont inventé une méthode pour remplacer des dizaines de joueurs par quelques "super-joueurs" qui font le même travail statistiquement. Cela réduit la charge de travail sans perdre en précision.
• Le "ZGEMM" (Le Chantier de Démolition) : Pour les calculs les plus lourds, ils ont réorganisé le chantier. Au lieu de faire les tâches une par une, ils ont tout mis en tas pour que les machines puissent les traiter par paquets géants (comme des matrices), exploitant la puissance brute des puces graphiques (GPU).

4. Le Résultat : Une Vitesse Éclaire

Grâce à ces innovations, l'équipe a réussi des exploits historiques :

• La Taille : Ils ont simulé des systèmes avec 17 574 atomes (comme un cristal de LiH géant). C'est comme passer d'une simulation d'une pièce de maison à celle d'une ville entière.
• La Vitesse : Sur le superordinateur Frontier, ils ont atteint une vitesse de 1,069 ExaFLOP/s.
  • Analogie : Imaginez que vous devez faire des additions. Si un humain met 1 seconde pour une addition, ce supercalculateur en fait un milliard de milliards en une seconde. C'est comme si chaque atome de la Terre faisait un calcul à la fois, et que ce superordinateur était encore plus rapide !
• L'Efficacité : Ils utilisent environ 60 % de la puissance théorique maximale de la machine. C'est comme si un moteur de Formule 1 tournait à 60 % de sa puissance maximale pendant une course entière sans surchauffer. C'est un record pour ce type de calcul complexe.

5. Pourquoi c'est important pour nous ?

Pourquoi se soucier de calculer la danse des électrons dans un cristal de lithium ?

• Pour l'avenir : Cela permet de concevoir de nouveaux matériaux pour des batteries plus puissantes, des panneaux solaires plus efficaces, ou des ordinateurs quantiques qui ne font pas d'erreurs.
• La Prédiction : Avant, on devait fabriquer des matériaux, les tester, et espérer qu'ils fonctionnent. Désormais, avec ces outils, on peut prédire exactement comment un matériau se comportera avant même de le fabriquer. C'est passer de l'artisanat à l'ingénierie de précision absolue.

En Résumé

Ce papier est une victoire technologique majeure. L'équipe a pris un outil mathématique très complexe et lent, l'a rendu universel (fonctionnant sur toutes les machines), et l'a accéléré à une vitesse inouïe. Ils ont ouvert la porte à la conception rationnelle des technologies quantiques de demain, en transformant des calculs impossibles en routine quotidienne pour les superordinateurs les plus puissants de la planète.

Résumé technique

1. Problématique et Contexte

La recherche sur les matériaux quantiques entre dans une nouvelle ère caractérisée par la nécessité de modéliser des systèmes de plus en plus hétérogènes (défauts dans les semi-conducteurs, super-réseaux de Moiré) et des phénomènes à N corps complexes (interactions électron-électron, électron-phonon, électron-trou).

• Limites de la DFT : Bien que la théorie de la fonctionnelle de la densité (DFT) puisse traiter des systèmes contenant jusqu'à $10^4$ atomes, elle échoue à décrire avec précision les propriétés des états excités (comme les bandes interdites ou les couplages électron-phonon) car elle ne capture pas explicitement les interactions électron-électron.
• Complexité du calcul GW : L'approximation GW (Green's function et interaction de Coulomb écrantée) est la méthode de référence pour ces propriétés, mais sa complexité numérique est élevée (scaling théorique en $O(N^4)$). Les calculs GW nécessitent l'intégration sur de nombreuses bandes d'énergie et la construction de matrices de grande taille, ce qui constitue un goulot d'étranglement majeur.
• Défi Exascale : L'émergence de supercalculateurs exascale comme Frontier (AMD) et Aurora (Intel) pose le défi de la portabilité des codes scientifiques sur des architectures hétérogènes (GPU NVIDIA, AMD, Intel) tout en maintenant des performances de pointe.

2. Méthodologie et Innovations

L'équipe a développé des améliorations majeures au sein du package BerkeleyGW pour surmonter ces obstacles. Les innovations clés sont :

A. Portabilité de Performance (Performance Portability)

• Stratégie : Utilisation de modèles de programmation ouverts basés sur des directives (OpenACC et OpenMP) pour maintenir une base de code unifiée tout en ciblant les architectures AMD, Intel et NVIDIA.
• Optimisation matérielle : Pour atteindre les performances maximales, des implémentations spécifiques ont été développées en HIP (AMD), SYCL (Intel) et CUDA (NVIDIA).
• Résultat : Le code fonctionne efficacement sur Frontier, Aurora et Perlmutter, démontrant une véritable portabilité sans sacrifier les performances.

B. Accélération des Calculs GW Pleine Fréquence (Full-Frequency GW)

• Approximation de sous-espace statique : Au lieu de calculer la polarisabilité sur tout le spectre de fréquence avec la base d'ondes planes complète (coûteux en $O(N_G^2)$), la méthode calcule d'abord la polarisabilité à fréquence nulle, diagonalise la matrice, et utilise les vecteurs propres dominants pour construire un sous-espace réduit.
• Algorithme NV-Block : Pour gérer la mémoire ($O(N^3)$), le calcul est divisé en blocs sur les bandes de valence. Cela permet des calculs précis de la polarisabilité sur toute la gamme de fréquences avec un coût compétitif.

C. Réduction de l'Échelle avec un Algorithme Stochastique-Déterministe

• Pseudobandes : Pour réduire le nombre de bandes ($N_b$) nécessaires à la convergence, les auteurs utilisent une compression stochastique de la représentation de Lehmann. Les états au-dessus de la région de protection autour de l'énergie de Fermi sont remplacés par des combinaisons linéaires stochastiques (pseudobandes).
• Avantage : Cela réduit le scaling effectif du calcul et permet de traiter des systèmes beaucoup plus grands sans perdre la précision des états occupés.

D. Optimisation des Kernels (GPP et GWPT)

• GWPT (Perturbation Theory) : Première implémentation de la théorie de la perturbation GW pour le couplage électron-phonon corrélé, dépassant les limites de la DFPT standard.
• Kernels Diagonaux et Hors-diagonaux :
  • Les kernels diagonaux (éléments de la matrice d'énergie propre) sont optimisés pour une intensité arithmétique maximale via une gestion explicite de la mémoire partagée et des boucles déroulées.
  • Les kernels hors-diagonaux (nécessaires pour la résolution complète de l'équation de Dyson et GWPT) sont reformulés comme des multiplications de matrices denses (ZGEMM). Cette reformulation augmente considérablement l'intensité arithmétique, exploitant les cœurs matriciels des GPU modernes.

3. Résultats Clés

Les performances ont été mesurées sur les systèmes Frontier (9 408 nœuds, 75 264 GPU AMD MI250X) et Aurora (9 600 nœuds, 115 200 GPU Intel PVC).

• Échelle des Systèmes :
  • Calculs réussis sur des systèmes contenant jusqu'à 17 574 atomes (défauts dans le LiH), surpassant les records précédents.
  • Traitement de défauts dans le silicium (jusqu'à 2 742 atomes) et de super-réseaux de BN (867 atomes).
• Performances de Calcul (Throughput) :
  • Frontier : Atteinte de 1,069 ExaFLOP/s (double précision) sur le kernel hors-diagonal GPP, soit 59,45 % du pic théorique.
  • Aurora : Atteinte de 707,52 PetaFLOP/s, soit 48,79 % du pic atteignable.
  • Ces performances représentent un saut qualitatif, permettant des calculs GW à l'échelle exascale avec une efficacité énergétique et temporelle inédite.
• Évolutivité (Scaling) :
  • Strong Scaling : Excellente mise à l'échelle forte jusqu'à la quasi-totalité de la machine (jusqu'à 9 408 nœuds sur Frontier).
  • Weak Scaling : Bonne mise à l'échelle faible pour les calculs pleine fréquence et les méthodes GPP.
• Portabilité : Les implémentations OpenACC/OpenACC récupèrent plus de 90 % des performances des versions CUDA optimisées sur NVIDIA, et des versions HIP/SYCL optimisées sont compétitives sur AMD et Intel.

4. Signification et Impact

Ce travail constitue une percée majeure pour la simulation des matériaux quantiques :

1. Capacité Prédictive : Il permet désormais de prédire avec précision les propriétés des états excités et les couplages électron-phonon pour des systèmes complexes de taille réaliste ($10^3 - 10^4$ atomes), ce qui était impossible auparavant.
2. Conception de Matériaux : Ces outils sont cruciaux pour la conception rationnelle de technologies quantiques futures, notamment les qubits à base de défauts (comme les centres NV dans le diamant ou les défauts dans le LiH), les émetteurs de photons uniques et les matériaux pour l'énergie.
3. Modèle pour le HPC : La démonstration d'une portabilité de performance réussie sur des architectures hétérogènes (AMD, Intel, NVIDIA) via des standards ouverts et des optimisations matérielles fournit une feuille de route pour le développement de logiciels scientifiques sur les futures générations de supercalculateurs.

En résumé, l'équipe a transformé le calcul GW d'une méthode coûteuse et limitée à de petits systèmes en un outil de simulation à grande échelle, capable d'exploiter pleinement la puissance des supercalculateurs exascale pour résoudre des problèmes de physique de la matière condensée autrefois inaccessibles.