将深度等变模型的领先准确性扩展到逼真规模的生物分子模拟。

​

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

解决问题：
本篇论文旨在将深度等变神经网络的领先准确性、样本效率和鲁棒性扩展到极端计算规模，以解决原子模拟的准确性和速度之间的权衡问题，实现对具有前所未有复杂性的结构动力学的描述。

关键思路：
本文通过创新的模型架构、大规模并行化和针对高效GPU利用率进行优化的模型和实现，实现了Allegro架构，架起了原子模拟的准确性和速度之间的桥梁，实现了对具有前所未有复杂性的结构动力学的描述，同时实现了极端计算规模下的高效计算。

其他亮点：
本文通过Perlmutter超级计算机实现了纳秒级别的蛋白质动力学稳定模拟，并扩展到完整的44百万原子、全原子、显式溶剂化的HIV外壳结构，表现出了优秀的强扩展性和弱扩展性。本文的工作值得进一步深入研究。

关于作者：
本文的主要作者是Albert Musaelian、Anders Johansson、Simon Batzner和Boris Kozinsky。他们分别来自美国能源部劳伦斯伯克利国家实验室和麻省理工学院。Albert Musaelian曾在2019年发表过题为“Deep learning for molecular simulation”的论文，Anders Johansson曾在2019年发表过题为“Machine learning force fields for water simulations”的论文，Simon Batzner曾在2017年发表过题为“Machine learning with force field-inspired descriptors for chemical discovery”的论文，Boris Kozinsky曾在2013年发表过题为“Efficient and accurate fragmentation methods”的论文。

相关研究：
近期的相关研究包括：

1. “Machine learning for molecular simulation” by Giuseppe Fisicaro, Matteo Salvalaglio, and Michele Parrinello from ETH Zurich and USI Lugano (2021)
2. “Deep learning for protein structure prediction” by Alpha Lee, Kai Wang, and Jianyi Yang from Stanford University (2020)
3. “Machine learning force fields for molecular dynamics simulations” by Han Wang, Lixin Sun, and Wei Zhang from Peking University (2020)

论文摘要：本研究将深度等变模型的领先精度、样本效率和鲁棒性扩展到了极端计算规模。这是通过创新的模型架构、大规模并行化和针对高效GPU利用率进行优化的模型和实现相结合实现的。由此产生的Allegro架构弥合了原子模拟的精度和速度之间的权衡，并能以量子保真度描述前所未有的复杂结构的动力学。为了说明Allegro的可扩展性，我们进行了纳秒级稳定蛋白质动力学模拟，并在Perlmutter超级计算机上扩展到完整、全原子、明确溶剂化的HIV外壳的4400万原子结构。我们展示了出色的强扩展性，可扩展到1亿个原子，弱扩展性可达到5120个A100 GPU的70%。

​Read More