新聞快訊

北京大學應用物理與技術研究中心陳默涵及合作者入圍國際高性能計算領域“戈登貝爾獎”決賽

2020-11-04

北京大學應用物理與技術研究中心陳默涵研究員及其研究生路登輝,與北京應用物理與計算數學研究所的王涵副研究員,勞倫斯伯克利國家實驗室與加州大學伯克利分校的Weile Jia(賈偉樂)博士和Lin Lin(林霖)教授,普林斯頓大學的Linfeng Zhang(張林峰)博士、Roberto Car教授和Weinan E(鄂維南)教授合作,研究工作“Pushing the limit of molecular dynamics with ab initio accuracy to 100 million atoms with machine learning”入圍2020年國際高性能計算領域最高獎“戈登貝爾獎”的決賽名單(Finalist)。

分子動力學方法在物理、化學、生物及材料等科學領域有著廣泛的應用。在高性能計算的快速發展下,分子動力學方法已成為闡釋複雜物理化學現象的重要工具。然而,計算效率和精度不可兼得是分子動力學方法長期麵臨的困擾。基於經驗力場的分子動力學方法效率高,但精度欠缺,而基於量子力學第一性原理(例如密度泛函理論)的分子動力學方法精度較高,但其計算量大效率低。近兩年來,基於深度學習的分子動力學方法較好的結合了第一性原理方法的精度和經驗力場的效率,顯示出了其優勢並已被快速推廣使用。

在這項工作裏,該研究團隊在物理建模、機器學習與高性能計算的交叉學科領域取得突破,實現了深度學習分子模擬方法軟件DeepMD-kit在CPU-GPU硬件架構上的編程與超大規模並行,在美國Summit超級計算機上測試了超過一億個原子的分子動力學模擬計算,達到了雙精度91 PFLOPS,混合單精度162 PFLOPS,混合半精度275 PFLOPS的峰值浮點運算能力。研究團隊還采用該方法模擬了銅納米晶粒拉伸後產生位錯的過程(如圖所示),這是傳統第一性原理方法無法模擬的大尺度計算。


銅納米晶粒(包含一千萬個原子以上)的拉伸模擬。(a)具有麵心立方晶體結構的銅原子(紫色),晶界原子(黃色)。(b)沿z軸拉伸10%後的銅納米晶粒產生位錯結構(青色)

基於深度學習的分子動力學模擬通過機器學習和大規模並行的方法,將精確的物理建模帶入了更大尺度的材料模擬中,有望在將來為力學、化學、材料、生物乃至工程領域解決實際問題發揮更大作用。戈登貝爾獎的決賽結果將在11月中旬公布。

 

相關文章鏈接:https://arxiv.org/abs/2005.00223