Desbloqueo del rendimiento de Tensor Core para potenciales interatómicos de aprendizaje automático
Según NVIDIA Developer. NVIDIA detalla cómo los métodos Tensor Core FP32 aceleran los potenciales interatómicos de aprendizaje automático manteniendo la precisión base.
- • BF16x9 en GPUs NVIDIA Blackwell acelera los GEMM grandes en Point Edge Transformer de 2,2 a 2,5 veces para sistemas de 17.280 átomos.
- • TF32x3 en GPUs NVIDIA Ampere acelera los GEMM principales de 1,7 a 1,9 veces y el paso de dinámica molecular hasta 1,5 veces.
- • TF32x3 preserva la suavidad de la energía potencial y la conservación de la energía en trayectorias NVE.
- • La relajación estructural de una losa de aleación Cantor de 539 átomos converge en 218-222 pasos con TF32x3.
Rendimiento de Tensor Core
Las simulaciones atomísticas ayudan a los investigadores a comprender el comportamiento de moléculas y materiales, pero enfrentan compromisos entre el coste computacional y la precisión. Los potenciales interatómicos de aprendizaje automático ayudan a superar esta brecha utilizando redes neuronales. Los métodos Tensor Core FP32 descomponen operandos FP32 en componentes de menor precisión para aumentar el rendimiento de multiplicación de matrices.
Evaluación de Pruebas
BF16x9 en GPUs NVIDIA Blackwell acelera GEMM grandes en el modelo Point Edge Transformer por 2,2–2,5x para un sistema de 17.280 átomos y 1,2–1,4x para un sistema de 192 átomos. Por su parte, TF32x3 en GPUs NVIDIA Ampere acelera los GEMM principales de 1,7 a 1,9 veces y el paso completo de dinámica molecular hasta 1,5 veces, manteniendo el error de fuerza cerca de la línea base de FP32.
- 1. developer.nvidia.comAbrir fuente