| 0 |
|
Китайські дослідники стверджують, що продемонстрували, як штучний інтелект може розширити можливості класичних суперкомп’ютерів у сферу квантової хімії, використовуючи китайську систему Sunway OceanLite для моделювання молекулярної поведінки в безпрецедентному масштабі.
Команда використала OceanLite, також відомий як "New Sunway", для навчання нейронної мережі, здатної симулювати квантові стани молекул. Це завдання традиційно зарезервовано для квантових комп’ютерів або сильно спрощених моделей. У своїй роботі вони застосували метод, який називається квантові стани нейронних мереж (neural-network quantum states, NNQS), який використовує машинне навчання для апроксимації того, як електрони рухаються та взаємодіють усередині атомів і молекул.
Працюючи на 37 млн процесорних ядер, система Sunway досягла 92% сильного масштабування та 98% слабкого масштабування. Це означає, що продуктивність залишалася стабільною зі збільшенням кількості процесорів та розміру задачі. Така висока ефективність рідко досягається в цьому масштабі та свідчить про тісну узгодженість між програмним і апаратним забезпеченням, як зазначено в статті Ніколь Хемсот Прікетт (Nicole Hemsoth Prickett) з VAST Data.
Симуляції квантової хімії вимагають представлення всіх можливих конфігурацій електронів — це проблема експоненційної складності. Традиційні методи можуть моделювати лише невеликі системи, оскільки кількість можливих конфігурацій електронів експоненційно зростає з розміром системи. NNQS прагне подолати це обмеження шляхом навчання нейронної мережі апроксимувати хвильову функцію молекули, яка математично представляє розподіл її електронів по квантових станах.
У цьому дослідженні вчені змоделювали системи, що містять до 120 спін-орбіталей, розширюючи масштаб квантових симуляцій на основі нейронних мереж за межі попередніх обмежень. Мережа була навчена передбачати локальні енергії для вибраних конфігурацій електронів, а потім уточнювалася, поки її результат не збігся зі справжнім енергетичним розподілом молекули.
Система Sunway OceanLite, яка є наступником суперкомп'ютера TaihuLight, працює на процесорах SW26010-Pro. Вони складаються з кластерів невеликих обчислювальних ядер, які використовують локальну пам’ять замість кешу, що дозволяє точно контролювати рух даних. Десятки тисяч цих процесорів об’єднані в систему з понад сорока мільйонами ядер, здатну досягти продуктивності класу exascale, згідно зі звітом VAST Data. Хоча ця архітектура добре підходить для повторюваних завдань, як-от навчання глибоких нейронних мереж, дослідники адаптували її для обробки нерівномірних робочих навантажень квантових симуляцій.
Адаптація передбачала створення структури NNQS-Transformer з паралельними даними, адаптованої до шаруватої конструкції машини. Керувальні ядра координували зв'язок між вузлами, тоді як полегшені обчислювальні елементи виконували розрахунки в локальній пам’яті. Алгоритм динамічного балансування навантаження допоміг розподілити нерівномірні робочі навантаження, забезпечуючи, щоб жодне ядро не простоювало.
Цей проєкт демонструє, що машинне навчання може моделювати квантові системи досить точно для практичних досліджень у хімії та матеріалознавстві, використовуючи наявне ексаскейлове апаратне забезпечення. Дослідження Sunway розширює попередні роботи NNQS, показуючи, що класичні суперкомп'ютери тепер можуть розв'язувати молекулярні проблеми, які колись вважалися прерогативою квантового обладнання. Результати також підкреслюють потенційний міст між класичними та квантовими обчисленнями: використання нейронних мереж на традиційних машинах для дослідження тих самих фізичних систем, які майбутні квантові комп’ютери вивчатимуть безпосередньо.
Хоча повні деталі продуктивності залишаються нерозкритими, це дослідження є ще одним кроком уперед у розробці великомасштабних наукових обчислень з підтримкою AI в Китаї. Це також свідчить про те, що суперкомп’ютери можуть служити потужними платформами для квантово-інспірованих симуляцій, наближаючи відкриття нових матеріалів ще до того, як стануть доступними практичні квантові процесори. Поряд з нещодавніми роботами від SandboxAQ та Nvidia, які використовували AI-прискорювачі для виконання симуляцій квантової хімії на графічних процесорах, ці дослідження демонструють зростальне зближення між апаратним забезпеченням AI, архітектурами високопродуктивних обчислень (HPC) та науковим моделюванням.
Стратегія охолодження ЦОД для епохи AI
| 0 |
|
