🔬 materials science

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

Este artigo resume os principais avanços algorítmicos em paralelização e aprendizado de máquina que permitiram o escalonamento de simulações precisas de Teoria do Funcional da Densidade ab-initio combinadas com Função de Green fora do equilíbrio (DFT+NEGF) de pequenos sistemas atômicos para dispositivos de nanoescala realistas e de grande escala.

Autores originais: Mathieu Luisier, Nicolas Vetsch, Alexander Maeder, Vincent Maillou, Anders Winka, Leonard Deuschle, Chen Hao Xia, Manasa Kaniselvan, Marko Mladenovic, Jiang Cao, Alexandros Nikolaos Ziogas

Publicado 2026-02-04

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Mathieu Luisier, Nicolas Vetsch, Alexander Maeder, Vincent Maillou, Anders Winka, Leonard Deuschle, Chen Hao Xia, Manasa Kaniselvan, Marko Mladenovic, Jiang Cao, Alexandros Nikolaos Ziogas

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando entender como a eletricidade flui através de um fio microscópico feito de silício — tão pequeno que tem apenas alguns milhares de átomos de largura. Para fazer isso com precisão, os cientistas usam uma ferramenta matemática complexa chamada NEGF (Função de Green fora do equilíbrio). Pense no NEGF como uma previsão do tempo superprecisa para elétrons: ele prevê como eles se movem, colidem uns com os outros e interagem com as vibrações do material.

No entanto, rodar essas "previsões" para dispositivos do mundo real tem sido como tentar prever o tempo para o planeta inteiro usando uma calculadora dos anos 1980. É muito lento e os computadores travam.

Este artigo de uma equipe da ETH Zurich descreve como eles construíram um "supercalculador" para resolver isso, usando três truques principais: melhores algoritmos, trabalho em equipe massivo (paralelização) e inteligência artificial.

Aqui está uma decomposição do trabalho deles usando analogias simples:

1. O Problema: O "Engarrafamento" Matemático

No passado, os cientistas só conseguiam simular sistemas minúsculos (alguns poucos átomos). Para simular um dispositivo realista (milhares de átomos), a matemática torna-se incrivelmente pesada.

O Desafio: As equações exigem a resolução de quebra-cabeças massivos onde cada peça depende de todas as outras. Fazer isso um por um leva uma eternidade.
O Objetivo: Eles queriam simular uma "nanofita" de silício (um fio minúsculo) que seja realmente grande o suficiente para ser útil, ao mesmo tempo em que considera os elétrons batendo uns nos outros (espalhamento), o que é como carros no trânsito diminuindo a velocidade uns dos outros.

2. A Solução: A "Linha de Montagem" (Paralelização)

Para acelerar as coisas, a equipe não apenas construiu um computador mais rápido; eles mudaram como o trabalho é feito.

A Analogia: Imagine uma biblioteca enorme onde você precisa encontrar livros específicos. Em vez de ter um bibliotecário percorrendo os corredores um por um, eles contrataram 9.400 bibliotecários (computadores) para trabalhar ao mesmo tempo.
O Truque: Eles desenvolveram um método chamado Serinv. Pense no grande problema matemático como uma linha longa e ondulada de blocos. Em vez de tentar resolver toda a linha de uma vez, eles a cortam em pedaços menores e entregam cada pedaço para um computador diferente.
O Resultado: Eles testaram isso no supercomputador Frontier (um dos mais poderosos do mundo). Eles simularam um fio de silício com 25.344 átomos. Ao usar 9.400 nós de computação trabalhando juntos, eles alcançaram 80% de eficiência. Isso significa que quase todos os computadores estavam ocupados trabalhando, não apenas esperando.

3. O Truque da "Viagem no Tempo" (Algoritmos)

A matemática envolve dois tipos diferentes de cálculos que precisam de dados organizados de formas distintas.

A Analogia: Imagine que você está cozinhando um ensopado. Às vezes, você precisa picar todos os vegetais primeiro (uma forma de organizar os dados), e outras vezes, você precisa mexer a panela por um longo tempo (uma forma diferente).
A Correção: A equipe criou um sistema que pode "transpor" ou reorganizar os dados instantaneamente. É como ter uma cozinha mágica onde os vegetais se rearranjam instantaneamente de uma tábua de cortar para uma panela, dependendo do que o chef precisa a seguir. Isso permite que eles alternem entre resolver equações lineares e realizar convoluções de energia complexas sem perder tempo.

4. A "Bola de Cristal" (Aprendizado de Máquina)

Mesmo com computadores super-rápidos, existe um gargalo: criar o mapa inicial dos átomos (a matriz Hamiltoniana) usando um método chamado DFT (Teoria do Funcional da Densidade).

O Problema: A DFT é como desenhar o mapa de uma cidade medindo cada tijolo em cada edifício. É incrivelmente preciso, mas leva uma quantidade enorme de tempo e energia, especialmente para cidades grandes (milhares de átomos).
A Inovação: A equipe treinou uma IA (especificamente uma Rede Neural de Grafos) para agir como uma "bola de cristal".
- Eles mostraram à IA alguns exemplos de como os átomos se organizam em um tipo específico de célula de memória (chamada de Memória de Mudança de Valência ou VCM).
- A IA aprendeu os padrões. Agora, em vez de medir cada tijolo (rodar a DFT), a IA pode prever instantaneamente o mapa para novas configurações da célula de memória.
A Ressalva: A IA é muito rápida (escala linearmente com o tamanho) e precisa o suficiente para acertar a forma geral, mas ainda possui um erro minúsculo (cerca de 2 meV). É como se a IA pudesse desenhar um mapa perfeito do layout de uma cidade, mas as placas de sinalização pudessem estar ligeiramente erradas. Não é perfeita o suficiente ainda para substituir totalmente o agrimensor humano, mas é um grande passo à frente.

5. Os Resultados: O Que Eles Descobriram?

O Fio de Silício: Eles simularam com sucesso um fio de silício com interações elétron-elétron. Eles descobriram que, quando os elétrons interagem, o "gap" de energia (band gap) aumenta ligeiramente, exatamente como a física prevê.
Conservação de Corrente: Eles provaram que sua simulação funciona porque a corrente elétrica que entra de um lado do fio era exatamente a mesma que saía do outro lado, mesmo com todas as interações complexas.
O Teste da IA: Eles usaram sua IA para prever como a eletricidade flui através de uma célula de memória. A previsão da IA foi muito próxima da física real, provando que o aprendizado de máquina pode acelerar significamente essas simulações.

Resumo

Este artigo é sobre escalonamento. A equipe pegou um método que era anteriormente limitado a modelos minúsculos, de tamanho de brinquedo, e o escalou para dispositivos realistas, de tamanho industrial. Eles fizeram isso ao:

Dividir o trabalho entre milhares de computadores (Paralelização).
Reorganizar os dados para que os computadores não fiquem travados (Algoritmos).
Ensinar uma IA a adivinhar as partes mais difíceis da matemática, economizando tempo (Aprendizado de Máquina).

Eles ainda não resolveram todos os problemas (a IA não é perfeita e algumas simulações ainda são muito pesadas), mas construíram o motor que permite aos cientistas finalmente simular dispositivos quânticos realistas com alta precisão.

Resumo Técnico: Aceleração de NEGF Atomístico

Definição do Problema
A miniaturalização contínua dos transistores trouxe as dimensões dos dispositivos para o regime onde simulações de transporte quântico (QT) ab-initio são necessárias. Embora o formalismo da Função de Green fora do equilíbrio (NEGF) combinado com a Teoria do Funcional da Densidade (DFT) ofereça uma estrutura rigorosa para simular dispositivos em nanoescala, as implementações atuais enfrentam gargalos significativos. Historicamente, essas simulações foram restritas a sistemas pequenos (poucos átomos) ou ao limite de transporte balístico. Incluir mecanismos de espalhamento complexos (elétron-fônon, elétron-elétron, elétron-fóton) e escalar para tamanhos de dispositivos realistas (milhares de átomos) permanece computacionalmente proibitivo devido ao escalonamento $O(N^3)$ da DFT e à natureza sequencial dos algoritmos tradicionais de função de Green recursiva (RGF). Além disso, a geração de matrizes Hamiltonianas para estruturas grandes e dinamicamente evoluídas (por exemplo, durante varreduras de voltagem) continua sendo um grande desafio.

Metodologia
Os autores abordam essas limitações através de uma abordagem multifacetada envolvendo otimização algorítmica, paralelização de alto desempenho e a integração de aprendizado de máquina:

Estrutura Algorítmica: A simulação central baseia-se na resolução das equações NEGF para as funções de Green retardada ( $G^R$ ) e menor/maior ( $G^{<,>}$ ) na presença de auto-energias de espalhamento ( $\Sigma^{R, <, >}$ ). A metodologia distingue entre duas tarefas computacionais:
- Sistemas de Equações Lineares (LSE): Resolvendo para funções de Green em pontos de energia específicos, que são independentes e adequados para paralelização.
- Convoluções de Energia (EC): Computando termos de espalhamento que requerem a integração sobre muitos pontos de energia.
  Para otimizar memória e comunicação, os autores implementam um esquema de transposição de dados. Para tarefas LSE, os dados são armazenados por ponto de energia ( $E, \omega$ ) através de índices espaciais ( $i, j$ ), enquanto para tarefas EC (usando Transformadas Rápidas de Fourier), os dados são transpostos para acessar múltiplos pontos de energia para índices espaciais específicos.
Paralelização (Serinv): Para superar o gargalo sequencial do algoritmo RGF padrão, os autores utilizam a biblioteca Serinv. Este pacote de código aberto baseado em GPU emprega o método do complemento de Schur em matrizes tri-diagonais em blocos (BT). O sistema é particionado entre múltiplas unidades de computação (CPUs/GPUs), permitindo a solução paralela de sistemas de equações reduzidos antes de reconstruir as entradas locais da função de Green.
Integração de Aprendizado de Máquina: Para contornar o custoso cálculo DFT $O(N^3)$ para a geração do Hamiltoniano, os autores exploram Redes Neurais de Grafos Equivariantes (EGNNs). O fluxo de trabalho proposto envolve o treinamento de uma EGNN em dados de DFT de uma única configuração de dispositivo. Uma vez treinada, a rede prevê as entradas da matriz Hamiltoniana para novas configurações (por exemplo, diferentes distribuições de vacância de oxigênio em células de memória) com escalonamento $O(N)$ , permitindo a simulação de milhares de átomos.

Principais Contribuições

Pacote QuaTrEx: A implementação desses modelos e algoritmos em um novo pacote de código aberto chamado QuaTrEx.
Solucionador Paralelo Escalável: Uma demonstração de escalonamento fraco no supercomputador Frontier, alcançando 80% de eficiência paralela ao escalar de 1 para 9.400 nós (75.200 GPUs) para uma simulação de nanonita de silício.
Inclusão de Espalhamento: Simulação bem-sucedida de uma nanonita de silício (25.344 átomos) incluindo interações elétron-elétron autoconsistentes (aproximação GW), indo além do limite balístico.
Predição de Hamiltoniano via ML: Desenvolvimento de uma EGNN capaz de prever matrizes Hamiltonianas para dispositivos com milhares de átomos, treinada em uma única configuração para lidar com estados físicos variáveis.

Resultos

Simulação de Nanonita de Silício: Os autores simularam uma nanonita de silício de 52,1 nm de comprimento com 25.344 átomos. Os resultados confirmaram que a inclusão de interações elétron-elétron (via GW autoconsistente) aumenta ligeiramente o band gap, consistente com as expectativas teóricas. O estudo também validou a conservação de corrente através do dispositivo, apesar das variações na distribuição espectral da corrente ao longo da direção de transporte.
Desempenho: A implementação paralela lidou com sucesso com a escala total do supercomputador Frontier, demonstrando a viabilidade de simular dispositivos de grande escala com espalhamento de portadores-portadores.
Precisão do Aprendizado de Máquina: Para a aplicação de célula de Memória de Mudança de Valência (VCM), a EGNN alcançou um erro médio de aproximadamente 2 meV nas entradas do Hamiltoniano em comparação com a DFT. No entanto, os autores observam que, embora esse erro seja comparável às previsões moleculares de última geração, ele não é atualmente preciso o suficiente para reproduzir totalmente o comportamento da função de transmissão do dispositivo.

Significância e Alegações
O artigo alega que a combinação da estratégia de paralelização Serinv e algoritmos numéricos dedicados desbloqueia a capacidade de explorar tamanhos de dispositivos e funcionalidades mais próximos da realidade experimental, incluindo efeitos físicos relevantes como o espalhamento portador-portador, que eram anteriormente excessivamente caros computacionalmente.

Em relação ao aprendizado de máquina, os autores o apresentam como um caminho promissor para eliminar parcialmente a necessidade de cálculos repetidos de DFT, particularmente para dispositivos com geometrias atômicas em evolução temporal. No entanto, eles permanecem modestos quanto ao estado atual desta tecnologia, reconhecendo que, embora os benefícios de escalonamento sejam significativos ( $O(N)$ vs $O(N^3)$ ), a precisão preditiva para propriedades de transporte complexas (como funções de transmissão) ainda não é suficiente para a substituição total dos métodos de primeira ordem. O trabalho serve como um passo fundamental para a integração de ML em fluxos de trabalho de QT ab-initio.