Scaling a Universal Graph Neural Network Force Field to Billions of Atoms on Desk-Side GPUs
Dit artikel toont aan dat de ALIGNN-FF universele grafische neurale netwerkkrachtveld, gebruikmakend van een cube-and-halo-decompositie, systemen met tot twee miljard atomen nauwkeurig kan simuleren op desktop-GPU's, waardoor single-point evaluaties op experimenteel relevante schaal mogelijk worden zonder dat supercomputerclusters vereist zijn.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteur. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Materialen zijn niet simpelweg massieve blokken materie; het zijn complexe landschappen van atomen die alles bepalen, van de sterkte van een brug tot de functie van een computerchip. Veel van de belangrijkste eigenschappen van deze materialen vloeien niet voort uit individuele atomen, maar uit de manier waarop ze zijn gerangschikt over afstanden die te groot zijn om met het blote oog te zien, maar te klein om te negeren. Deze kenmerken, zoals de grenzen waar verschillende kristalgrenzen elkaar ontmoeten of de complexe interfaces binnen een transistor, beslaan vaak van nanometers tot micrometers. Om deze te begrijpen, moeten wetenschappers structuren simuleren die honderden miljoenen of zelfs miljarden atomen bevatten. Decennialang was de meest nauwkeurige manier om dit te doen onmogelijk, omdat de standaard rekenmethode slechts enkele duizend atomen kon verwerken voordat de wiskunde te zwaar werd. Een nieuwere aanpak met behulp van machine learning is begonnen deze kloof te dichten, door een manier te bieden om enorme aantallen atomen met hoge nauwkeurigheid te simuleren, maar deze simulaties vereisten traditioneel massieve, kamergrote supercomputers die slechts enkele instellingen in de wereld kunnen betalen.
Een team van onderzoekers heeft nu aangetoond dat deze barrière niet langer noodzakelijk is. Door een specifiek type kunstmatige intelligentiemodel te combineren met een slimme manier om het probleem op te splitsen, hebben zij aangetoond dat een enkele, compacte computer die op het bureau van een onderzoeker staat, het gedrag van meer dan één miljard atomen kan simuleren. Deze prestatie steunt op een universeel krachtveld, een type machine learning-model dat is getraind op een breed scala aan chemische elementen, zodat het kan voorspellen hoe atomen interageren zonder voor elk nieuw materiaal opnieuw getraind te hoeven worden. Hoewel deze modellen ongelooflijk nauwkeurig zijn, zijn ze ook computationeel duur en vereisen ze enorme hoeveelheden geheugen om de relaties tussen atomen op te slaan. De onderzoekers ontdekten dat door een massief systeem in kleinere, beheersbare stukken te verdelen en elk stuk te omringen met een bufferzone van naburige atomen, zij deze berekeningen konden uitvoeren op een desktopmachine uitgerust met een krachtige grafische processor. Deze processor, die in een standaard computerbehuizing past en minder elektriciteit verbruikt dan een haardroger, heeft genoeg geheugen om de taak aan te kunnen, mits de arbeid correct wordt verdeeld.
De onderzoekers testten deze aanpak op verschillende massieve structuren, waaronder een polykristal van silicium dat meer dan één miljard atomen bevat, een complexe micro-elektronische gate-stack met meer dan 100 miljoen atomen, en een virusdeeltje dat in water is opgehangen. In elk geval berekende het systeem succesvol de energie en de krachten die op elk afzonderlijk atoom inwerken. De sleutel tot het laten werken hiervan was een techniek genaamd cube-and-halo decompositie. Stel je een grote stad voor die in kaart moet worden gebracht; in plaats van te proberen de hele stad in één keer in kaart te brengen, deelden de onderzoekers de stad op in kleine wijken. Voor elke wijk namen ze niet alleen de huizen binnen de grens op, maar ook een omliggende ring van huizen uit de volgende wijk. Deze ring, of "halo", zorgde ervoor dat elk huis al zijn noodzakelijke buren binnen het zicht had, waardoor de computer de interacties nauwkeurig kon berekenen zonder de hele stad tegelijkertijd te hoeven zien. Alleen de huizen binnen de oorspronkelijke wijk telden mee bij het uiteindelijke totaal, maar de omliggende ring was noodzakelijk om de fysica correct uit te voeren. Deze methode stelde de computer in staat om de gegevens stuk voor stuk te verwerken, waardoor het geheugengebruik laag genoeg bleef om op een enkele desktopmachine te passen.
Een van de aanzienlijke hindernissen die het team moest overwinnen, was een fout in de bestaande machine learning-modellen die ervoor zorgde dat ze zich grillig gedroegen wanneer atomen over bepaalde afstandsgrenzen bewogen. In de oorspronkelijke modellen zouden de krachten die op atomen inwerken plotseling verspringen of haperen wanneer een binding tussen twee atomen een specifieke lengtelimiet overschreed, wat het onmogelijk maakte om de langzame, gestage ontspanning van een materiaal of de stroom van de tijd in een dynamisch systeem te simuleren. De onderzoekers losten dit op door het model te hertrainen met een gladdere overgang bij deze grenzen, waardoor de glitch effectief werd verwijderd. Deze aanpassing was cruciaal; zonder deze zou de simulatie niet convergeren en zou de energie van het systeem niet behouden blijven, wat zou leiden tot fysiek onmogelijke resultaten. Met het gladde model op zijn plaats kon het systeem een miljard-atomen siliciumkristal succesvol laten relaxeren, waarbij een stabiele toestand werd gevonden waarin de krachten op elk atoom werden geminimaliseerd, een taak die met de vorige versie van de software onmogelijk zou zijn geweest.
De resultaten laten zien dat de omvang van het systeem niet langer wordt beperkt door de hoeveelheid geheugen in de computer, maar door de tijd die nodig is om de berekening uit te voeren. Hoewel een enkele desktopcomputer een miljard atomen aan kan, duurt het meerdere dagen om de berekening voor slechts één momentopname in de tijd te voltooien. Als een onderzoeker wilde zien hoe die atomen in de loop van de tijd bewegen, zou de huidige opstelling jaren nodig hebben om zelfs een fractie van een seconde van de echte tijd te simuleren. Echter, de mogelijkheid om deze single-point evaluaties uit te voeren op hardware die een individuele onderzoeksgroep kan bezitten en exploiteren, is een grote verschuiving. Het betekent dat wetenschappers complexe materialen zoals korrelgrenzen in metalen of interfaces in elektronische apparaten kunnen bestudelen zonder toegang te nodig te hebben tot een nationale supercomputer. De onderzoekers merkten ook op dat hoewel hun methode perfect werkt voor systemen waarbij atomen over korte afstanden interageren, het niet zou werken voor systemen die worden gedomineerd door lange-afstands elektrische krachten, die een andere aanpak vereisen.
De studie benadrukte ook de afwegingen bij het gebruik van deze krachtige desktopmachines. Hoewel ze niet zo snel zijn als de grootste supercomputers ter wereld, die duizenden gespecialiseerde chips kunnen gebruiken om berekeningen in minuten te voltooien, bieden de desktopsystemen een niveau van toegankelijkheid en continuïteit die ongeëvenaard is. Een enkele onderzoeksgroep kan deze simulaties rond de klok rond draaien, iteraties maken op hun ontwerpen en nieuwe ideeën testen zonder te hoeven wachten op tijd op een gedeelde, hoogwaardige bron. Het team demonstreerde dat door negen van deze desktopmachines samen te laten werken, zij een systeem met twee miljard atomen konden evalueren, een schaal die voorheen het domein was van slechts de meest geavanceerde computercentra. Dit opent de deur naar een nieuwe generatie materiaalkunde, waarbij de complexiteit van echte structuren direct gemodelleerd kan worden, in plaats van vereenvoudigd te worden om in de limieten van de beschikbare rekenkracht te passen.
Uiteindelijk bewijst het werk dat de barrière voor het simuleren van de atomaire wereld niet alleen gaat over brute snelheid, maar over hoe het probleem gestructureerd is. Door een massief systeem op te splitsen in kleinere, overlappende stukken en een universeel model te gebruiken dat de regels van de chemie over de gehele periodiciteit begrijpt, hebben de onderzoekers de simulatie van miljard-atomen systemen binnen het bereik van een enkel laboratorium gebracht. De bevindingen suggereren dat de toekomst van materiaalkundige ontdekkingen misschien niet afhangt van het bouwen van grotere supercomputers, maar van slimmere manieren om de krachtige, compacte hardware te gebruiken die al beschikbaar is. Het vermogen om het gedrag van miljarden atomen in een enkele berekening te zien, met de nauwkeurigheid van een supercomputer maar de voetafdruk van een bureau, markeert een belangrijke stap voorwaarts in het toegankelijk maken van de atomaire wereld voor meer wetenschappers.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.