NVIDIA will Tensor Cores für MLIPs nutzen, die bisher in FP32 rechnen

NVIDIA will Tensor Cores für MLIPs nutzen, die bisher in FP32 rechnen

NVIDIA beschreibt in einem Developer-Beitrag, wie sich die Matrixmultiplikations-Leistung moderner GPUs für Machine-Learning-Interatomic-Potentials (MLIPs) nutzen lässt. Den Kern bilden die Tensor Cores. Angestrebt werden schnellere atomistische Simulationen mit einer Genauigkeit, die nach Aussage des Konzerns nahe an die der Dichtefunktionaltheorie (DFT) herankommt.

Viele MLIPs führen die Inferenz nach Darstellung von NVIDIA weiterhin in FP32 aus. Moderne GPUs des Herstellers bieten jedoch deutlich mehr Matrixmultiplikations-Durchsatz. Das Potenzial bleibe damit ungenutzt, so die Lesart des Konzerns.

Das Genauigkeitsziel „nahe an DFT“ stammt von NVIDIA selbst. Der vorliegende Auszug enthält keinen Genauigkeitsvergleich, der diese Aussage stützt. Auch Methode, Formate und Zahlen fehlen darin.

Warum kleine Rechenfehler Molekulardynamik-Trajektorien destabilisieren können

Die Präzision ist heikel, und NVIDIA begründet das physikalisch. Atomistische Simulationen reagieren empfindlich auf kleine Fehler, die sich über die Zeit aufsummieren. Besonders deutlich wird das bei den Kräften, die sich als Ableitung der vorhergesagten Energie ergeben. In der Molekulardynamik (MD) steuern sie über viele Zeitschritte hinweg die Updates von Geschwindigkeiten und Positionen der Atome. Präzision betrifft daher laut NVIDIA zwei Dinge: die physikalische Genauigkeit und die Stabilität der Trajektorie. Deshalb rechnen viele MLIPs weiter in FP32.

Der Beitrag benennt außerdem einen Zielkonflikt zwischen Kosten und Genauigkeit. Quantenmechanische Verfahren wie DFT liefern genaue Energien und Kräfte. Für große Systeme oder lange Simulationen sind sie oft zu teuer. Klassische interatomare Potentiale sind deutlich schneller. Ihre festen Funktionsformen begrenzen jedoch Genauigkeit und Übertragbarkeit auf unterschiedliche atomare Umgebungen. MLIPs sollen diese Lücke schließen. Neuronale Netze sagen Energien und Kräfte zu einem Bruchteil der Kosten voraus, womit größere Systeme und längere Zeitskalen in Reichweite rücken. Ein Großteil der nötigen Genauigkeit bleibe erhalten, so NVIDIA. Auch das ist eine Herstellerdarstellung.

Was der Auszug offenlässt: Methode, Präzisionsformate und Messwerte fehlen

Vom Beitrag liegt nur der Einleitungstext vor. Er bricht mitten in der Problemstellung ab. Welche Methode NVIDIA vorschlägt, welche Präzisionsformate und Architekturen zum Einsatz kommen, ob es Benchmarks gibt und ob der Code quelloffen ist, lässt sich daraus nicht erkennen. Ergebnisse sollten deshalb nicht vermutet werden.

Prüfen müsste man einen solchen Ansatz an Energie- und Kraftfehlern vor und nach der Umstellung sowie an Stabilitätstests langer MD-Läufe. Idealerweise reproduziert ihn eine unabhängige Stelle.

Separat davon bietet NVIDIA mit cuEquivariance bereits eine Bibliothek für geometrie-bewusste neuronale Netze an. Ein Bezug zu dieser Meldung ist im Material nicht belegt.