NVIDIA Ra Mắt ALCHEMI Để Tăng Tốc Các Mô Phỏng Hóa Học Và Khoa Học Vật Liệu Dựa Trên AI

Tóm tắt

NVIDIA đã ra mắt ALCHEMI Toolkit-Ops, một nền tảng tăng tốc GPU cung cấp các công cụ và microservices chuyên biệt cho các mô phỏng nguyên tử dựa trên AI trong hóa học và khoa học vật liệu.

Công ty công nghệ NVIDIA đã thông báo về việc ra mắt ALCHEMI (AI Lab cho Đổi mới Hóa học và Vật liệu) Toolkit-Ops, được thiết kế để cung cấp cho các nhà phát triển và nhà nghiên cứu trong lĩnh vực hóa học và khoa học vật liệu các bộ công cụ chuyên biệt và các dịch vụ vi mô NVIDIA NIM được tối ưu hóa cho các nền tảng điện toán tăng tốc của NVIDIA. Nền tảng này cung cấp các công cụ theo lô, tăng tốc GPU với hiệu suất cao để hỗ trợ các mô phỏng nguyên tử ở cấp độ khung máy học.

Bộ công cụ ALCHEMI cung cấp khả năng trên ba lớp liên kết với nhau. Lớp Toolkit-Ops cung cấp một kho lưu trữ các phép toán theo lô được tăng tốc bởi GPU cho các tác vụ mô phỏng nguyên tử dựa trên AI, bao gồm xây dựng danh sách láng giềng, điều chỉnh phân tán DFT-D3 và điện tĩnh tầm xa. Bộ công cụ ALCHEMI gồm các khối xây dựng được tăng tốc bởi GPU như bộ tối ưu hình học, bộ tích hợp và cấu trúc dữ liệu, cho phép các mô phỏng theo lô quy mô lớn tận dụng AI. Cuối cùng, lớp vi dịch vụ ALCHEMI NIM cung cấp các vi dịch vụ cụ thể cho miền có thể mở rộng, sẵn sàng cho đám mây, cho hóa học và khoa học vật liệu, tạo điều kiện cho việc triển khai và điều phối trên các nền tảng được tăng tốc bởi NVIDIA.

Toolkit-Ops sử dụng NVIDIA Warp để tăng tốc và xử lý hàng loạt các phép toán thông thường trong mô hình hóa nguyên tử hỗ trợ AI. Các chức năng này có thể truy cập thông qua API PyTorch mô-đun, với một API JAX dự kiến sẽ ra mắt trong tương lai, cho phép lặp lại nhanh chóng và tích hợp liền mạch với các gói mô phỏng nguyên tử hiện có và mới nổi.

Tích Hợp Hệ Sinh Thái ALCHEMI Toolkit-Ops

Công cụ này được thiết kế để tích hợp liền mạch với hệ sinh thái mô phỏng nguyên tử dựa trên PyTorch và hiện đang được tích hợp với các công cụ mã nguồn mở hàng đầu trong cộng đồng hóa học và khoa học vật liệu, bao gồm TorchSim, MatGL và AIMNet Central.

TorchSim, một động cơ mô phỏng nguyên tử bản địa PyTorch thế hệ tiếp theo, sẽ áp dụng các hạt nhân ALCHEMI Toolkit-Ops để tăng tốc độ quy trình làm việc dựa trên GPU, cho phép động lực học phân tử theo lô và thư giãn cấu trúc trên hàng ngàn hệ thống trên một GPU duy nhất. MatGL, một khung mã nguồn mở để xây dựng các tiềm năng liên nguyên tử dựa trên đồ thị, sẽ tận dụng Toolkit-Ops để nâng cao hiệu quả của các phép toán tương tác dài hạn, cho phép mô phỏng nguyên tử quy mô lớn nhanh hơn mà không làm giảm độ chính xác.

AIMNet Central, một kho lưu trữ cho AIMNet2 có khả năng mô hình hóa các hệ thống trung tính, mang điện, hữu cơ và lai, sẽ sử dụng Toolkit-Ops để tối ưu hóa mô hình tương tác tầm xa, cải thiện hiệu suất mô phỏng cho các hệ thống lớn và định kỳ.

Bắt đầu với ALCHEMI Toolkit-Ops là dễ dàng và được thiết kế để tiếp cận. Nó yêu cầu Python 3.11 trở lên, Linux (primary), Windows qua WSL2, hoặc macOS, và một GPU NVIDIA (A100 hoặc mới hơn được khuyến nghị) với khả năng tính toán CUDA 8.0 trở lên. Người dùng phải có CUDA Toolkit 12+ và trình điều khiển NVIDIA 570.xx.xx hoặc mới hơn.

Toolkit-Ops có tính năng xây dựng danh sách hàng xóm hiệu suất cao, các chỉnh sửa phân tán DFT-D3 và tĩnh điện dài hạn, tất cả đều được tối ưu hóa cho tăng tốc GPU trong PyTorch. Danh sách hàng xóm, rất cần thiết để tính toán năng lượng và lực trong các mô phỏng nguyên tử, hỗ trợ cả thuật toán O(N) và O(N²), điều kiện biên định kỳ và xử lý theo lô, mở rộng đến hàng triệu nguyên tử mỗi giây. Các chỉnh sửa phân tán DFT-D3 tính đến các tương tác van der Waals, cải thiện tính toán năng lượng liên kết, cấu trúc lưới và phân tích hình dạng, trong khi hiện tại hỗ trợ các thuật ngữ hai thân với giảm thiểu Becke-Johnson và các tính toán định kỳ theo lô.

Các tương tác tĩnh điện tầm xa được xử lý bằng cách sử dụng phương pháp tổng hợp Ewald và Ewald lưới hạt tăng tốc GPU (PME), bao gồm một chiến lược cắt đôi để giảm thiểu các phép toán dư thừa và sử dụng bộ nhớ, cho phép mô phỏng hiệu quả và chính xác các hệ thống mang điện và phân cực. Tích hợp đầy đủ PyTorch cho phép hỗ trợ tensor gốc và quy trình phân biệt từ đầu đến cuối, cung cấp cho các nhà nghiên cứu một giải pháp hiệu suất cao, có thể mở rộng cho mô hình hóa nguyên tử dựa trên AI.