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

あなたは、シリコン製の極微細なワイヤ（厚さがわずか数千原子分という極小サイズ）を、電気がどのように流れるかを理解しようとしていると想像してください。これを正確に行うために、科学者たちはNEGF（非平衡グリーン関数）と呼ばれる複雑な数学的ツールを使用します。NEGFは、電子の「精密な天気予報」のようなものだと考えてください。それは、電子がどのように動き、どのように互いに跳ね返り、材料の振動とどのように相互作用するかを予測します。

しかし、現実世界のデバイス規模でこれらの「予報」を実行することは、1980年代の電卓を使って地球全体の天気を予測しようとするようなものでした。計算速度が遅すぎ、コンピュータがクラッシュしてしまうのです。

ETHチューリッヒのチームによるこの論文は、これらを解決するために「スーパー計算機」をどのように構築したかを説明しています。彼らは主に3つのトリック、すなわち優れたアルゴリズム、大規模な連携（並列化）、そして人工知能を使用しました。

以下に、彼らの研究内容を簡単な比喩を用いて解説します。

1. 問題点：「数学の交通渋滞」

過去には、科学者は非常に小さなシステム（数個の原子）しかシミュレーションできませんでした。現実的なデバイス（数千の原子）をシミュレートしようとすると、数学が非常に重くなってしまいます。

• 課題： これらの方程式は、すべてのピースが他のすべてのピースに依存している巨大なパズルを解くことを要求します。これを一つずつ行うには、あまりにも時間がかかりすぎます。
• 目標： 彼らは、実際に有用な大きさであるシリコンの「ナノリボン」（極小のワイヤ）を、電子同士がぶつかり合うこと（散乱）を考慮に入れながらシミュレートしたいと考えました。これは、車が交通の中で互いに減速し合う様子に似ています。

2. 解決策：「組立ライン」（並列化）

処理を高速化するために、チームは単に速いコンピュータを作ったのではなく、「どのように仕事を行うか」という方法自体を変えました。

• 比喩： 膨大な図書館の中で特定の書籍を探す必要があると想像してください。一人の司書が通路を一つずつ歩いて回る代わりに、9,400人の司書（コンピュータ）を雇って、同時に作業を行わせるのです。
• トリック： 彼らはSerinvと呼ばれる手法を開発しました。この巨大な数学の問題を、長い波打つブロックの列だと考えてください。列全体を一度に解こうとするのではなく、その列を小さな塊に切り分け、それぞれの塊を異なるコンピュータに割り当てます。
• 結果： 彼らはこれを、世界で最も強力なスーパーコンピュータの一つであるFrontierでテストしました。彼らは25,344個の原子を持つシリコンワイヤをシミュレートしました。9,400個のコンピュータノードを連携させて使用することで、80%の効率を達成しました。これは、ほとんどすべてのコンピュータが待機することなく、忙しく作業に従事していたことを意味します。

3. 「タイムトラベル」のトリック（アルゴリズム）

この数学には、データの整理方法が異なる2種類の計算が含まれています。

• 比喩： シチューを作っているところを想像してください。時には、まず野菜をすべて刻まなければならない場合があり（データの整理方法の一種）、またある時には、鍋を長時間かき混ぜ続けなければならない場合もあります（別の整理方法）。
• 解決策： チームは、データを瞬時に「転置」または再構成できるシステムを作成しました。これは、シェフが次に何を必要としているかに応じて、野菜がまな板から鍋へと瞬時に形を変える魔法のキッチンを持っているようなものです。これにより、線形方程式を解くことと、複雑なエネルギー畳み込みを行うことを、時間を無駄にすることなく切り替えることができます。

4. 「水晶玉」（機械学習）

超高速コンピュータを使用しても、依然として一つのボトルネックが存在します。それは、DFT（密度汎関数理論）と呼ばれる手法を用いて、原子の初期マップ（ハミルトニアン行列）を作成することです。

• 問題： DFTは、すべての建物のすべてのレンガを測定して街の地図を描くようなものです。非常に正確ですが、大きな街（数千の原子）に対しては、膨大な時間とエネルギーを要します。
• 革新： チームは、**AI（具体的にはグラフニューラルネットワーク）**を「水晶玉」として機能させるよう訓練しました。
  • 彼らは、特定の種類のメモリセル（バレンス・チェンジ・メモリ、VCMと呼ばれるもの）における原子の配置の例をいくつかAIに見せました。
  • AIはパターンを学習しました。今や、DFTを実行してすべてのレンガを測定する代わりに、AIは新しい構成のメモリセルのマップを即座に予測できます。
  • 注意点： このAIは非常に高速（サイズに対して線形にスケールします）で、概形を捉えるには十分な精度を持っていますが、まだわずかな誤差（約2 meV）があります。これは、AIが街のレイアウトの完璧な地図を描けるものの、道路標識が少しずれているような状態です。人間による調査員を完全に置き換えるほど完璧ではありませんが、大きな前進です。

5. 結果：何が見つかったのか？

• シリコンワイヤ： 彼らは、電子間の相互作用を含むシリコンワイヤのシミュレーションに成功しました。電子が相互作用すると、物理学が予測するように、エネルギーギャップ（バンドギャップ）がわずかに大きくなることが分かりました。
• 電流の保存： すべての複雑な相互作用がある状態でも、ワイヤの一方に流入する電流と、反対側から流出する電流が正確に一致することを確認し、シミュレーションが正しく機能していることを証明しました。
• AIテスト： 彼らはこのAIを使用して、メモリセルを流れる電気を予測しました。AIの予測は実際の物理現象に非常に近く、機械学習がこれらのシミュレーションを大幅に高速化できることを証明しました。

まとめ

この論文は、**「スケールアップ」**に関するものです。チームは、以前は極小の玩具のようなモデルに限定されていた手法を、現実的な産業規模のデバイスへとスケールアップさせました。彼らは以下の方法でこれを実現しました。

1. 仕事を数千のコンピュータに分割する（並列化）。
2. コンピュータが停滞しないようにデータを再構成する（アルゴリズム）。
3. 数学の最も困難な部分をAIに推測させ、時間を節約するようAIを教え込む（機械学習）。

すべての問題が解決されたわけではありません（AIは完璧ではなく、一部のシミュレーションは依然として負荷が高いままです）が、彼らは、科学者が高い精度で現実的な量子デバイスをシミュレートすることをようやく可能にする「エンジン」を構築したのです。