以第一性原理精度将分子动力学推向1亿原子：机器学习的极限拓展
计算物理
2020-09-15 v3
摘要
35年来，第一性原理分子动力学(AIMD)一直是复杂原子尺度现象从头算建模的首选方法。然而，大多数AIMD应用因计算成本所限，最多只能处理数千原子的体系。我们报道一种基于机器学习的模拟方案(Deep Potential Molecular Dynamics)，在保持第一性原理精度的同时，可在Summit超级计算机上使用高度优化的代码(GPU DeePMD-kit)每天模拟超过1亿个原子、时长逾1纳秒的轨迹。我们的代码可高效扩展至整台Summit超级计算机，在双精度下达到 PFLOPS（峰值性能的）以及混合单/半精度下{/ PFLOPS}。本工作的重大成就是为以第一性原理精度模拟前所未有的尺度与时间长度打开了大门。它也对下一代超级计算机提出了更好融合机器学习与物理建模的新挑战。
引用
@article{arxiv.2005.00223,
title = {Pushing the limit of molecular dynamics with ab initio accuracy to 100 million atoms with machine learning},
author = {Weile Jia and Han Wang and Mohan Chen and Denghui Lu and Lin Lin and Roberto Car and Weinan E and Linfeng Zhang},
journal= {arXiv preprint arXiv:2005.00223},
year = {2020}
}