The Pulse
NVIDIA punta a superare i colli di bottiglia nei calcoli sui materiali con Daviator
NVIDIA ha introdotto kernel GPU che raggruppano in batch i calcoli usati per generare dati di addestramento per potenziali interatomici di machine learning. L’azienda riferisce guadagni previsti in termini di velocità e costi rispetto all’esecuzione su CPU, a seconda dell’hardware e della configurazione.

Una nuova libreria di kernel GPU di NVIDIA raggruppa in batch i calcoli che i ricercatori sui materiali usano per generare dati di addestramento per potenziali interatomici di machine learning. In un post tecnico del 18 novembre, NVIDIA ha dichiarato che la libreria, chiamata Daviator, ha raggiunto tempi di soluzione fino a 22 volte più rapidi e costi fino al 75% inferiori rispetto all’esecuzione su CPU, per un carico di lavoro previsto relativo a un dataset di riferimento, a seconda dell’hardware e della configurazione.
L’azienda ha descritto anche un livello a precisione mista, pensato per accelerare ulteriormente i calcoli su determinate GPU. I risultati riguardano la generazione dei dati di riferimento, non l’addestramento del potenziale interatomico in sé.
Sistemi piccoli, molti calcoli
Per addestrare un potenziale interatomico di machine learning di nuova generazione servono da decine a centinaia di milioni di calcoli della teoria del funzionale della densità, o DFT, relativi a energie, forze e sforzi in diverse strutture e composizioni chimiche. Daviator è pensato per i calcoli eseguiti con VASP, un’implementazione DFT a onde piane.
Nei sistemi periodici, i calcoli campionano un insieme discreto di punti noti come punti k. L’implementazione GPU di VASP basata su OpenACC elabora questi punti in sequenza, anche se ogni risoluzione è in gran parte indipendente dalle altre. Nei sistemi piccoli con griglie dense, il conseguente overhead di dispatch può dominare il tempo di calcolo.
NVIDIA afferma che, con l’approccio esistente, un sistema di ferro con un singolo atomo e 752 punti k ha richiesto un tempo di esecuzione otto volte maggiore su hardware GPU più costoso che su una CPU. I sistemi grandi possono offrire abbastanza lavoro per ogni punto k da saturare una GPU, ma quelli più piccoli non necessariamente lo fanno.
Raggruppare il lavoro in batch
Daviator raggruppa in batch il lavoro relativo ai punti k e agli spin, anche tramite un risolutore agli autovalori Davidson in modalità batch. I dati restano nella memoria GPU, mentre VASP mantiene il controllo del ciclo di campo autoconsistente, del mixing, della simmetria e dell’input e output.
I benchmark hanno confrontato Daviator con le versioni di riferimento CPU e OpenACC di VASP 6.6.0 su GPU NVIDIA H100, H200 e B200. L’azienda riferisce che, con Daviator, il singolo atomo di ferro è stato elaborato a una velocità più che doppia rispetto alla versione di riferimento su CPU. Per una struttura di arseniuro di gallio drogato con bismuto e composta da 64 atomi, afferma che Daviator ha ridotto il tempo di esecuzione di oltre l’85%.
Precisione e accesso
Il livello separato a precisione mista usa aritmetica e memorizzazione FP32 per componenti selezionati del risolutore Davidson, mantenendo FP64 per i passaggi sensibili dal punto di vista numerico. NVIDIA afferma che questo offre un’accelerazione complessiva di circa due volte sulle GPU con rapporti elevati di throughput FP32 rispetto a FP64, come la RTX PRO 6000.
L’analisi della precisione usa tipi in virgola mobile configurabili per valutare i singoli kernel rispetto a un riferimento. Il flusso di lavoro riduce ripetutamente il numero di bit di mantissa ed esponente finché un confronto non fallisce, aiutando a individuare dove si può usare una precisione inferiore e dove ne serve una maggiore.
Daviator sarà disponibile tramite il microservizio NVIDIA ALCHEMI VASP, attivandolo con LDAVIATOR=True nel file INCAR. Gli input VASP esistenti funzionano senza modifiche.
Per ora, VASP con Daviator è limitato all’esecuzione su un singolo nodo. Il supporto per più nodi, la copertura dei sistemi con spin non collineari e le esecuzioni esplicitamente con solo punto gamma sono previsti in una fase successiva.
Fonti
- Fonte originale · Post del blog NVIDIA Technical Blog developer.nvidia.com
Aziende in questa notizia
Notizie correlate
- Mat3ra integra NVIDIA ALCHEMI nelle simulazioni dei materiali basate su browser
- AMD illustra i trasferimenti DMA avviati dalla GPU per carichi di lavoro multi-GPU
- Una scheda di valutazione sostenuta da WEKA mette in discussione l’uso delle GPU come metrica per l’inferenza dell’IA
- TurboPairFormer accelera fino a 1,73× l’addestramento di OpenFold3 nei test
- AWS aggiunge strumenti di preparazione dei dati per l’IA a SageMaker AI