信科院王锋研究员团队在AI For Science领域取得新进展

分子动力学模拟作为计算科学的重要分支，长期以来面临着精度与效率难以兼顾的根本性挑战。传统模拟方法依赖经验力场，虽计算效率较高但难以保证量子力学精度；而第一性原理方法虽精度优异，但其巨大的计算开销限制了模拟体系尺寸和时间尺度，无法满足宏观材料模拟和生物大分子体系的研究需求。

AI For Science技术路径为解决这一困境提供了新的思路，通过深度学习神经网络精确拟合原子间相互作用，能够在保持量子力学精度的同时，将计算效率提升数个数量级。然而，在国产超算平台上部署AI For Science应用仍面临多重挑战：数十万核级规模下的并行效率提升面临通信瓶颈，需要创新并行算法设计；AI与科学计算工作负载的混合特性对同构计算资源调度提出新要求。

信息科学与工程学院王锋研究团队聚焦于国产ARMv8超算集群上深度学习分子动力学的大规模加速，从算法、软件栈和系统架构等多个层面进行协同创新，提出并实现了覆盖指令级、线程级至进程级的全栈式并行优化策略，实现了从底层算子到大规模集群的整体性能提升，并在4096个CPU节点上首次完成了5亿原子规模的深度学习分子动力学模拟。研究工作实现了传统方法无法企及的时空尺度模拟，其成果可以为材料设计、药物发现等领域带来革命性变革。

9月2日至5日在英国爱丁堡召开的第27届IEEE国际集群计算会议（IEEE International Conference on Cluster Computing，IEEE CLUSTER）上，团队成员以“Scaling Deep Learning Molecular Dynamics to 500M Atoms on 4096-Node ARMv8 Clusters”为题做了大会报告，论文荣获了大会唯一的最佳论文奖（Best Paper Award）。IEEE CLUSTER是国际高性能计算（High Performance Computing, HPC）领域的旗舰会议之一。

湖南大学为论文第一完成单位，湖南大学信科院研究员、湖南大学编译技术研究中心主任王锋为通讯作者，第一作者为信科院博士生杜琦。该研究工作得到了国家重点研发计划项目支持，合作单位包括国防科技大学、北京应用物理与计算数学研究所、北京大学、中科院上海药物研究所、飞腾信息技术有限公司等。

来源：信科院

通讯员：雷衍凤

责任编辑：周丹