Argonne Quantum MD 仿真案例

扩大量子保真度 – 用于平滑量子分子动力学模拟的Argonne系统

Hikaru Ibayashi等人，南加州大学，Sony Group Corporation和Argonne National Laboratory

挑战

材料科学和工程正在从量子方法中获得增强，因为基于机器学习的神经网络量子量子分子动力学（NNQMD）模拟正在革新原子材料模拟。一种名为“ Allegro”的最先进的模型表现出了提高的准确性和速度 – 但它与忠诚度上的规模相比，在大规模平行的超级计算机上挣扎，这是Exascale时代的一个大问题。

解决方案

来自USC，Sony和Argonne的研究小组使用了ALCF强大的计算资源，包括34-Petaflop Polaris SuperCuputer，通过将Allegro模型与清晰度的最小化相结合以提高其平稳性和稳健性来解决问题。Altair®PBSProfessional®编排了启用GPU的北极星系统上的工作量管理。

价值

由此产生的“ Allegro-Legato”模型增加了失败的时间而不会损害速度或准确性 – 显着改善了忠诚度的扩展，并使从大规模模拟中提取有见地的科学知识变得更加容易。

准确的模型对于预测材料的热力学行为以及如何用于能量，生物和药物系统至关重要。

研究人员可扩展对allegro-legato的可扩展实施，并在Polaris上具有出色的计算缩放和GPU加速度结合了准确性，速度，鲁棒性和可扩展性，从而允许实用的大型时空尺度NNQMD模拟在Exascale Computing平台上具有挑战性应用。