A Precision Emulation Approach to the GPU Acceleration of Ab Initio Electronic Structure Calculations

Este estudo demonstra que a emulação de precisão INT8, realizada através da ferramenta SCILIB-Accel em arquiteturas de GPU modernas, pode acelerar cálculos de estrutura eletrônica ab initio sem alterações no código, permitindo otimizar simultaneamente o desempenho e a precisão por meio de estratégias adaptativas.

O essencial

Imagine que você tem uma equipe de engenheiros extremamente precisos (os computadores tradicionais de supercálculo) que constroem pontes e preveem o clima. Eles usam réguas de altíssima precisão, medidas em milímetros e micrômetros (chamadas de FP64 ou precisão dupla), para garantir que nada dê errado. O problema é que essas réguas são pesadas, lentas e caras de fabricar.

Recentemente, o mundo da Inteligência Artificial (IA) inventou uma nova ferramenta: réguas de plástico leve e rápido, feitas para fazer contas simples e rápidas em grande quantidade (chamadas de INT8 ou precisão baixa). Essas ferramentas são incríveis para IA, mas os engenheiros de pontes dizem: "Não podemos usar isso! Se usarmos réguas de plástico, a ponte vai cair."

O que este artigo faz?
Este estudo é como um "truque de mágica" que permite que os engenheiros de pontes usem as réguas de plástico da IA para construir com a mesma precisão das réguas de metal, mas muito mais rápido.

Aqui está a explicação passo a passo, usando analogias simples:

1. O Problema: O Dilema do Hardware

Os supercomputadores de hoje estão sendo projetados principalmente para IA (como o reconhecimento de imagens ou chatbots). Eles têm chips superpotentes que fazem contas simples (inteiras) muito rápido, mas são fracos em fazer contas complexas e superprecisas (decimais longos) que a ciência tradicional precisa.

• Analogia: É como se a fábrica de carros parasse de fazer motores de corrida precisos e só produzisse motores de kart baratos e rápidos. Os cientistas precisam de motores de corrida, mas só têm karts.

2. A Solução: A "Emulação de Precisão"

Os autores descobriram que, em vez de trocar o motor do carro, eles podem usar um "adaptador inteligente". Eles pegam as contas complexas que precisam de precisão máxima e as "quebram" em pedaços menores.

• A Analogia do Quebra-Cabeça: Imagine que você precisa medir um objeto com precisão de um milímetro, mas só tem uma régua de 10 cm. Em vez de tentar medir tudo de uma vez, você divide o objeto em 10 pedaços, mede cada um com a régua simples, e depois junta os resultados com uma fórmula mágica (chamada de Esquema Ozaki) para reconstruir a medida exata.
• O computador faz isso usando os chips rápidos de IA (INT8) para fazer as contas dos pedaços e depois soma tudo para obter o resultado final exato (FP64).

3. A Ferramenta Mágica: "SCILIB-Accel"

Para que isso funcione sem que os cientistas precisem reescrever todo o código de seus programas (o que seria como ter que redesenhar a ponte inteira), eles usaram uma ferramenta chamada SCILIB-Accel.

• Analogia: Pense nisso como um "tradutor automático" ou um "capitão de orquestra". O programa científico (MuST) diz: "Preciso fazer essa conta complexa". O tradutor intercepta a mensagem, diz: "Ok, vou fazer isso usando os chips rápidos de IA, mas vou garantir que o resultado seja exatamente o mesmo que se você tivesse usado o chip lento". O cientista nem percebe a diferença.

4. O Teste: Simulando Átomos

Eles testaram isso em um programa chamado MuST, que simula como os átomos se comportam em materiais (como ligas de ferro e níquel). É um cálculo superdifícil, usado para descobrir novos materiais.

• O Resultado: Eles conseguiram usar os chips de IA para fazer esses cálculos e:
  1. Ficou mais rápido: O cálculo foi cerca de 1,7 vezes mais rápido.
  2. Manteve a precisão: Os resultados foram idênticos aos do método tradicional. A "ponte" não caiu.
  3. Controle: Eles puderam ajustar o "nível de precisão". Se precisavam de menos precisão, usavam menos "peças do quebra-cabeça" e ficavam mais rápidos. Se precisavam de tudo exato, usavam mais peças.

5. Por que isso é importante?

Antes, para usar computadores novos e rápidos, os cientistas tinham que mudar seus códigos antigos e complexos, o que era difícil e propenso a erros.

• A Grande Mudança: Este método permite que a ciência tradicional (clima, química, física) aproveite a revolução da IA sem precisar reescrever tudo. É como se os cientistas pudessem usar os carros de corrida da IA, mas com um adaptador que os faz andar na velocidade e precisão de um carro de Fórmula 1.

Resumo Final:
Os autores mostraram que podemos usar a tecnologia de "baixa precisão" (feita para IA) para fazer trabalhos de "alta precisão" (ciência), desde que usemos um truque matemático inteligente para montar as peças. Isso significa que, no futuro, os supercomputadores poderão ser mais rápidos, mais baratos e capazes de resolver problemas científicos complexos sem que os cientistas precisem se preocupar em mudar seus programas. É a união perfeita entre o mundo da IA e o mundo da ciência pura.

Resumo técnico

1. O Problema

O campo da Computação de Alto Desempenho (HPC) tradicional baseia-se historicamente em processadores CPU e aritmética de ponto flutuante de dupla precisão (FP64) para garantir a precisão numérica necessária em simulações científicas, como química quântica e dinâmica de fluidos. No entanto, o mercado de hardware tem sido dominado pela Inteligência Artificial (IA), levando fabricantes a desenvolverem aceleradores (como Tensor Cores da NVIDIA e Matrix Cores da AMD) otimizados para baixa precisão (FP16, BF16) e inteiros de baixa largura de bit (INT8, INT4).

Isso criou um dilema:

• Novas arquiteturas de GPU (ex: séries Blackwell e Rubin da NVIDIA) estão reduzindo ou eliminando a capacidade nativa de FP64 para priorizar a eficiência da IA.
• Centros de HPC acadêmicos enfrentam dificuldades em portar códigos legados complexos (baseados em CPU) para GPUs, pois a portagem manual é trabalhosa e muitas vezes inviável.
• Existe uma lacuna entre a necessidade de precisão científica (FP64) e a disponibilidade de hardware otimizado para baixa precisão.

2. Metodologia

Os autores propõem uma abordagem de emulação de precisão que permite executar cálculos de FP64 em unidades de hardware de baixa precisão (INT8) sem modificar o código-fonte original da aplicação.

• Ferramentas Utilizadas:
  • SCILIB-Accel: Uma ferramenta de offload automático de BLAS que utiliza a arquitetura de Memória Unificada (UMA) coerente em cache (como NVIDIA Grace-Hopper) para transferir dados de forma transparente entre CPU e GPU, eliminando a sobrecarga de movimentação de dados tradicional.
  • GEMMul8 e Ozaki Scheme: Implementações baseadas no esquema de Ozaki que decompõem matrizes de alta precisão em múltiplos componentes de baixa precisão (INT8), realizam multiplicações de matrizes e reconstroem o resultado final com alta fidelidade. O estudo compara duas variações:
    • Ozaki-I: Divide matrizes com base em bits significativos e alinhamento de expoentes.
    • Ozaki-II (GEMMul8): Utiliza o Teorema do Resto Chinês (CRT) para converter matrizes de ponto flutuante em inteiros, realizar multiplicações com módulos coprimos e reconstruir o resultado.
• Aplicação Alvo: O pacote de software MuST (Multiple Scattering Theory), especificamente o método LSMS (Locally Self-consistent Multiple Scattering), usado para cálculos de estrutura eletrônica ab initio (Teoria do Funcional da Densidade - DFT).
• Implementação: A abordagem intercepta chamadas de BLAS (como ZGEMM) na aplicação CPU nativa e as redireciona para a GPU via emulação INT8, permitindo que o código original rode sem recompilação ou alterações.

3. Contribuições Principais

• Emulação de Precisão Ajustável: Demonstração de que é possível emular aritmética FP64 em unidades INT8 com precisão controlável e ajustável, permitindo um equilíbrio entre desempenho e fidelidade numérica.
• Preservação do Algoritmo Original: Diferente das abordagens de precisão mista tradicionais que exigem a modificação de algoritmos de solucionadores, este método mantém a integridade do código e do algoritmo original, otimizando apenas a utilização do hardware.
• Integração com Memória Unificada: Uso eficaz da coerência de cache em sistemas CPU-GPU modernos para superar a sobrecarga de transferência de dados, tornando o offload automático viável para cargas de trabalho intensivas em BLAS.
• Validação em Física Quântica: Aplicação bem-sucedida em um código de física quântica de ponta (LSMS/MuST), que é altamente sensível a erros numéricos, provando a viabilidade para simulações científicas rigorosas.

4. Resultados

Os experimentos foram realizados em uma partição NVIDIA GB200 (nó NVL4) utilizando o caso de teste FeNi3 (ligação metálica com magnetismo não colinear).

• Precisão Numérica:
  • A emulação com o modo 55 bits/16 módulos (GEMMul8) alcançou um erro percentual máximo de $10^{-10}$ na função de Green $G(z)$, nível de precisão comparável ao FP64 nativo e suficiente para a maioria das aplicações HPC.
  • Modos de menor precisão (ex: 31 bits) apresentaram erros maiores na função de Green ($10^{-2}$), mas, devido à natureza variacional do método DFT e à integração de contorno, os observáveis físicos finais (energia total, momento magnético, carga eletrônica) permaneceram estáveis e convergiram corretamente.
  • O modo de 31 bits falhou na convergência da auto-consistência (SCF), mas modos mais altos (55 bits e acima) atingiram a mesma precisão numérica que o FP64 nativo.
• Desempenho:
  • A emulação de alta precisão (GEMMul8) proporcionou um aceleração média de 1.7x na inversão de matrizes (bloco LU) em comparação com a execução nativa FP64 na GPU, demonstrando que é possível ganhar desempenho sem sacrificar a precisão científica.
• Robustez: O método LSMS mostrou-se robusto contra ruído de quantização da emulação, pois erros localizados na função de Green são suprimidos durante a integração de contorno e o princípio variacional da DFT reduz erros de primeira ordem na densidade para erros de segunda ordem na energia total.

5. Significado e Conclusão

O trabalho destaca o potencial de transformar o HPC através de hardware orientado por IA. A principal conclusão é que a precisão extrema (FP64) nem sempre precisa ser executada nativamente em hardware FP64; ela pode ser emulada com sucesso em unidades INT8 de alto rendimento.

• Convergência HPC/IA: A abordagem promove a convergência entre hardware de HPC e IA, permitindo que centros de pesquisa utilizem a próxima geração de aceleradores (focados em IA) para simulações científicas tradicionais.
• Estratégia Adaptativa: Os autores defendem uma reavaliação das necessidades de precisão nas aplicações científicas, sugerindo o uso de estratégias de precisão adaptável para maximizar a eficiência do hardware.
• Futuro: O estudo incentiva a colaboração entre desenvolvedores de hardware e cientistas computacionais para projetar tipos de dados e arquiteturas que atendam simultaneamente às demandas da IA e da computação científica de precisão.

Em resumo, o artigo prova que é possível acelerar códigos científicos legados e complexos em GPUs modernas de baixa precisão sem alterar o código, mantendo a precisão científica necessária através de emulação inteligente baseada em inteiros.