Data-Driven Spectral Prediction for Accelerating Large-Scale Electronic Structure Calculations
SAŽETAK
Simulacija velikih molekularnih sustava koji se sastoje od tisuća atoma zahtijeva visoko skalabilne metodologije. Dok moderni kodovi teorije funkcionalne gustoće (DFT) pokazuju linearno skaliranje, rješavanje povezanih velikih, rijetkih generaliziranih vlastitih problema ostaje kritično računalno usko grlo na eksaskalnim arhitekturama. U kontekstu projekta LimitX predlažemo okvir vođen podacima za ubrzavanje ovih izračuna. Pomicanjem cilja strojnog učenja s diskretnih vlastitih vrijednosti na koeficijente interpolirajućeg Čebiševljevog polinoma i usporedbom strukturnih prikaza temeljenih na svim atomima i fragmentima, uspješno smo prevladali dimenzionalna ograničenja spektralnog predviđanja velikih razmjera. Istražujemo tri modela strojnog učenja (regresija grebena jezgre, neuronske mreže grafova i slučajne šume) obučene na novom skupu podataka proteinskih dimera od 2 TB. Predviđeni spektri pružaju početne pretpostavke koje učinkovito zaobilaze rane iteracije samokonzistentnog polja (SCF) u BigDFT-u. U konačnici, ovi spektralni prediktori bit će primijenjeni za dinamičku optimizaciju nadolazećih racionalnih rješavača vlastitih vrijednosti temeljenih na filterima, kao što je FrASE, koji je trenutno u početnom razvoju.
Cijeli članak: https://onlinelibrary.wiley.com/doi/10.1002/pamm.70204
Povezane osobePovezane ustanovePovezani projektiPovezana oprema