Ir para o conteúdo
AI.info

The Pulse

NVIDIA mira gargalos em cálculos de materiais com Daviator

A NVIDIA apresentou kernels de GPU que agrupam cálculos usados para gerar dados de treinamento para potenciais interatômicos de machine learning. A empresa relata ganhos projetados de velocidade e redução de custos em relação à execução em CPU, dependendo do hardware e da configuração.

NVIDIA mira gargalos em cálculos de materiais com Daviator

Uma nova biblioteca de kernels de GPU da NVIDIA agrupa cálculos que pesquisadores de materiais usam para gerar dados de treinamento para potenciais interatômicos de machine learning. Em uma publicação técnica de 18 de novembro, a NVIDIA afirmou que a biblioteca, chamada Daviator, alcançou um tempo até a solução até 22 vezes menor e um custo até 75% menor do que a execução em CPU para uma carga de trabalho projetada com um conjunto de dados de referência, dependendo do hardware e da configuração.

A empresa também descreveu uma camada de precisão mista destinada a acelerar ainda mais os cálculos em determinadas GPUs. Os resultados dizem respeito à geração de dados de referência, e não ao treinamento de um potencial interatômico em si.

Sistemas pequenos, muitos cálculos

O treinamento de um potencial interatômico de machine learning de próxima geração exige dezenas a centenas de milhões de cálculos de teoria do funcional da densidade, ou DFT, de energias, forças e tensões em diferentes estruturas e composições químicas. O Daviator tem como alvo cálculos executados com o VASP, uma implementação de DFT de ondas planas.

Em sistemas periódicos, os cálculos amostram um conjunto discreto de pontos conhecido como k-points. A implementação de GPU do VASP com OpenACC processa esses pontos em sequência, embora cada resolução seja em grande parte independente. Em sistemas pequenos com grades densas, a sobrecarga de despacho resultante pode dominar o tempo de computação.

A NVIDIA afirma que, com a abordagem existente, um sistema de ferro com um único átomo e 752 k-points foi executado oito vezes mais lentamente em hardware de GPU mais caro do que em uma CPU. Sistemas grandes podem oferecer trabalho suficiente por k-point para ocupar uma GPU, mas sistemas menores não necessariamente fazem isso.

Agrupamento do trabalho

O Daviator agrupa o trabalho entre k-points e spins, inclusive por meio de um solucionador de autovalores de Davidson em lote. Os dados permanecem na memória da GPU enquanto o VASP mantém o controle do ciclo de campo autoconsistente, da mistura, da simetria e da entrada e saída.

Os benchmarks compararam o Daviator com as referências de CPU e OpenACC do VASP 6.6.0 em GPUs NVIDIA H100, H200 e B200. A empresa relata que, com o Daviator, o sistema de um único átomo de ferro foi executado mais de duas vezes mais rápido do que a referência de CPU. Para uma estrutura de arsenieto de gálio dopado com bismuto com 64 átomos, a empresa afirma que o Daviator reduziu o tempo de execução em mais de 85%.

Precisão e acesso

A camada separada de precisão mista usa aritmética e armazenamento FP32 em componentes selecionados do solucionador de Davidson, mantendo FP64 nas etapas numericamente sensíveis. A NVIDIA afirma que isso proporciona uma aceleração de ponta a ponta de aproximadamente duas vezes em GPUs com altas proporções de vazão FP32 em relação a FP64, como a RTX PRO 6000.

A análise de precisão usa tipos de ponto flutuante configuráveis para avaliar kernels individuais em comparação com uma referência. Seu fluxo de trabalho reduz repetidamente as contagens de bits da mantissa e do expoente até que uma comparação falhe, ajudando a identificar onde é possível usar menor precisão e onde é necessária maior precisão.

O Daviator será oferecido por meio do microsserviço NVIDIA ALCHEMI VASP, ativado ao definir LDAVIATOR=True no arquivo INCAR. As entradas existentes do VASP funcionam sem modificações.

Por enquanto, o VASP com Daviator está limitado à execução em um único nó. O suporte a múltiplos nós, a cobertura de sistemas com spins não colineares e as execuções somente com gama explícitas são esperados em uma etapa posterior.

Fontes

  1. Fonte original · Post de blog NVIDIA Technical Blog developer.nvidia.com

Empresas nesta notícia

Notícias relacionadas

Explore

Mais artigos