Scaling the leading accuracy of deep equivariant models to biomolecular simulations of realistic size

要約

タイトル：Deep Equivariant Neural Networkをバイオモレキュラーシミュレーションにスケーリングする

要約：
– 深層同値ニューラルネットワークのリーディングアキュラシー、サンプル効率、堅牢性を生かし、極端な計算規模にスケーリングすることに成功した。
– モデルアーキテクチャの革新、大規模並列化、効率的なGPU利用を最適化されたモデルと実装の組み合わせにより、Allegroアーキテクチャが実現された。
– Allegroアーキテクチャは、原子論的シミュレーションの精度と速度のトレードオフを解決し、量子的忠実度で前例のない複雑な構造のダイナミクスを記述することを可能にする。
– Allegroのスケーラビリティを示すために、蛋白質ダイナミクスの1ナノ秒ステーブルシミュレーションを実施し、Perlmutterスーパーコンピュータ上の完全なすべて原子、明示的に溶媒化されたHIVカプシドの44百万原子構造にスケーリングしている。
– Allegroは、1億原子までの優れたストロングスケーリングと、5120 A100 GPUに対して70%のウィークスケーリングを実証している。

要約(オリジナル)

This work brings the leading accuracy, sample efficiency, and robustness of deep equivariant neural networks to the extreme computational scale. This is achieved through a combination of innovative model architecture, massive parallelization, and models and implementations optimized for efficient GPU utilization. The resulting Allegro architecture bridges the accuracy-speed tradeoff of atomistic simulations and enables description of dynamics in structures of unprecedented complexity at quantum fidelity. To illustrate the scalability of Allegro, we perform nanoseconds-long stable simulations of protein dynamics and scale up to a 44-million atom structure of a complete, all-atom, explicitly solvated HIV capsid on the Perlmutter supercomputer. We demonstrate excellent strong scaling up to 100 million atoms and 70% weak scaling to 5120 A100 GPUs.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI