.png){kind=icon}
返回
High-performance training and inference for deep equivariant interatomic potentials
.png){kind=icon}
OA
AI
DOI：10.1039/D5DD00423C.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习原子间势能；特别是基于深度等变神经网络的那些；已在分子动力学和高通量筛选等原子级建模任务中展现出顶尖的准确性和计算效率。数据集的规模和下游工作流程的需求正快速增长；这使得稳健且可扩展的软件变得至关重要。本研究对NequIP框架进行了重大改版，重点关注多节点并行、计算性能和可扩展性。重新设计的框架支持在大数据集上的分布式训练，并消除了阻碍在训练时充分利用PyTorch 2.0编译器的障碍。我们通过在有机分子系统SPICE 2数据集上训练Allegro模型的一个案例研究展示了这种加速。对于推理，我们引入了首个端到端的基础设施，该设施使用PyTorch Ahead-of-Time Inductor编译器处理机器学习原子间势能。此外，我们为Allegro模型中最昂贵的操作——张量积——实现了自定义内核。这些进步共同将分子动力学计算在具有实际相关性的系统规模上的速度提升了5到18倍。
Keyword:
machine learning interatomic potentials
deep equivariant neural networks
molecular dynamics
PyTorch 2.0
Allegro model
期刊
IF:
5.6
论文数:
997
被引数:
1.7K
机构
引用论文
E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentialsE(3)-等变图神经网络，用于数据高效和精确的原子间势.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏CHGNet as a pretrained universal neural network potential for charge-informed atomistic modellingCHGNet作为预训练的通用神经网络，具有用于电荷信息原子建模的潜力OAAI
OAAI分享收藏FlashAttention: Fast and Memory-Efficient Exact Attention with IO-AwarenessFlashAttention：一种具有IO感知的快速且内存高效的确切注意力机制
PREAI
分享收藏Universal Machine Learning Interatomic Potentials Are Ready For Phonons通用机器学习原子间势函数已准备好用于声子计算
IF0
PREAI
分享收藏
查看更多内容