I modelli grafici di fondazione su scala exascale abilitano la scoperta di materiali su scala miliardaria in pochi secondi

È stato introdotto un innovativo flusso di lavoro su scala exascale finalizzato alla scoperta di materiali, che utilizza modelli grafici di fondazione atomistici basati su HydraGNN. Questo sistema innovativo è addestrato su 16 dataset di primi principi pubblicamente disponibili, comprendenti oltre 544 milioni di strutture attraverso più di 85 elementi. I ricercatori hanno implementato un'architettura multi-task, caratterizzata da testine per dataset e una pipeline di dati scalabile ADIOS2/DDStore, per condurre sei ampie campagne di ottimizzazione degli iperparametri DeepHyper in precisione FP64 sui supercomputer Frontier. I principali modelli di message-passing sono progrediti verso un addestramento sostenuto su 2.048 nodi, culminando in un modello basato su PaiNN. Questo modello facilita lo screening su scala miliardaria, valutando 1,1 miliardi di strutture atomiche in soli 50 secondi, riducendo significativamente il tempo necessario per il calcolo dei primi principi. Il flusso di lavoro consente anche il fine-tuning con dati limitati attraverso varie applicazioni downstream e dimostra trasferibilità attraverso dodici compiti chimicamente diversi. I ricercatori hanno valutato i compromessi precisione-prestazioni tra i formati BF16, FP32 e FP64, stabilendo nuovi standard nella scienza computazionale dei materiali. Questo flusso di lavoro segna un notevole balzo in avanti nell'high-performance computing per l'esplorazione scientifica.