NVIDIA запускает ALCHEMI для ускорения симуляций в области химии и материаловедения, управляемых ИИ

Кратко

NVIDIA запустила ALCHEMI Toolkit-Ops, ускоренную с помощью GPU платформу, которая предоставляет специализированные инструменты и микросервисы для AI-управляемых атомистических симуляций в химии и материаловедении.

Технологическая компания NVIDIA объявила о запуске ALCHEMI (AI Lab для химии и инноваций в материалах) Toolkit-Ops, предназначенного для предоставления разработчикам и исследователям в области химии и науки о материалах специализированных инструментов и микросервисов NVIDIA NIM, оптимизированных для платформ с ускоренными вычислениями NVIDIA. Платформа предлагает высокопроизводительные, ускоренные GPU, пакетные инструменты для поддержки атомистических симуляций на уровне фреймов машинного обучения.

Набор ALCHEMI предоставляет возможности через три взаимосвязанных уровня. Уровень Toolkit-Ops предлагает репозиторий операций с пакетной обработкой, ускоренных с использованием GPU, для задач атомистического моделирования на основе ИИ, включая построение списка соседей, коррекции дисперсии DFT-D3 и дальнодействующую электростатику. Набор инструментов ALCHEMI состоит из ускоренных с использованием GPU строительных блоков, таких как оптимизаторы геометрии, интеграторы и структуры данных, что позволяет проводить крупномасштабные пакетные симуляции с использованием ИИ. Наконец, уровень микросервисов ALCHEMI NIM предлагает масштабируемые, готовые к облаку, специализированные микросервисы для химии и науки о материалах, облегчая развертывание и оркестрацию на платформах, ускоренных NVIDIA.

Toolkit-Ops использует NVIDIA Warp для ускорения и пакетирования общих операций в моделировании атомов с поддержкой ИИ. Эти функции доступны через модульный API PyTorch, с планируемым API JAX для будущего выпуска, что позволяет быстро итерации и бесшовной интеграции с существующими и развивающимися пакетами атомного моделирования.

Интеграция экосистемы ALCHEMI Toolkit-Ops

Инструмент разработан для бесшовной интеграции с более широкой экосистемой атомистических симуляций на основе PyTorch и в настоящее время интегрируется с ведущими инструментами с открытым исходным кодом в сообществе химии и материаловедения, включая TorchSim, MatGL и AIMNet Central.

TorchSim, следующая генерация атомистического симуляционного движка, основанного на PyTorch, будет использовать ядра ALCHEMI Toolkit-Ops для ускорения рабочих процессов на GPU, позволяя пакетные молекулярные динамические расчеты и структурную релаксацию на тысячах систем на одном GPU. MatGL, открытая платформа для построения межатомных потенциалов на основе графов машинного обучения, будет использовать Toolkit-Ops для повышения эффективности расчетов дальнодействующих взаимодействий, позволяя более быстрые, крупномасштабные атомистические симуляции без потери точности.

AIMNet Central, репозиторий для AIMNet2, способный моделировать нейтральные, заряженные, органические и гибридные системы, будет использовать Toolkit-Ops для оптимизации моделирования дальнодействующих взаимодействий, улучшая производительность симуляций для больших и периодических систем.

Начать работу с ALCHEMI Toolkit-Ops просто и доступно. Для этого требуется Python 3.11 или выше, Linux (primary), Windows через WSL2 или macOS, а также графический процессор NVIDIA (A100 или новее, рекомендуется) с вычислительной способностью CUDA 8.0 или выше. Пользователи должны иметь CUDA Toolkit 12+ и драйвер NVIDIA 570.xx.xx или новее.

Toolkit-Ops предлагает высокопроизводительное построение списков соседей, коррекции дисперсии DFT-D3 и дальнодействующую электростатику, все оптимизировано для ускорения с помощью GPU в PyTorch. Списки соседей, необходимые для вычисления энергий и сил в атомистических симуляциях, поддерживают как алгоритмы O(N), так и O(N²), периодические граничные условия и пакетную обработку, масштабируясь до миллионов атомов в секунду. Коррекции дисперсии DFT-D3 учитывают взаимодействия ван дер Ваальса, улучшают расчеты энергии связи, решеточные структуры и конформационные анализы, в то время как в настоящее время поддерживают двухтелесные члены с демпфированием Бекке-Джонсона и пакетные периодические расчеты.

Долгосрочные электростатические взаимодействия обрабатываются с использованием ускоренного с помощью GPU суммирования Эвальда и методов сетки частиц Эвальда (PME), включая стратегию двойного отсечения для уменьшения избыточных вычислений и использования памяти, что позволяет эффективно и точно моделировать заряженные и полярные системы. Полная интеграция с PyTorch обеспечивает нативную поддержку тензоров и сквозные дифференцируемые рабочие процессы, предоставляя исследователям высокопроизводительное, масштабируемое решение для моделирования атомистических систем с использованием ИИ.