当深度学习分子动力学遇到无界算力：加速触碰未来-中科曙光

过去科学研究通常有两种范式，一种是基于归纳的范式，另一种是基于演绎的范式。这两种研究范式有各自的特点也使得它们有不同的限制。

归纳与演绎结合，数量级提升物理模型效率

以药物设计为例，由于其求解对象过于复杂，只能通过密度泛函这种底层、准确的方式来求解，即使用演绎范式求解。

这样的求解是非常昂贵的，需要大量的算力支撑，因为需要计算体系内原子、分子间的相互作用和它们之间的能量，其本质上是一个高维函数。

面对如此高成本的计算，深势科技团队成员提出了Deep Potential系列方法，成功在传统的演绎范式计算流程中加入了基于归纳范式的AI技术，有效结合了两种科学研究途径的优势。

深势科技团队将AI处理高维复杂函数的能力运用于表示微观粒子间相互作用对应的标量函数，直接在分子动力学的框架之下对原子体系进行演化，大幅提升了药物设计阶段的效率。这套方法在完整保留第一性原理分子动力学精度的同时，把计算的速度提升到此前的多个数量级，可以同时实现对数十亿个原子第一性精度模拟。

（对于有机分子、高熵合金、半导体等不同体系，DP均给出符合第一性原理DFT计算的结果）

Deep Potential在集合了归纳范式和演绎范式的优势之后，既有效地继承了DFT精度，又大幅降低计算复杂度，同时计算效率还呈现出线性的扩展。在这样的底层原理的支撑下，机器学习、物理模型能真正有效地结合起来，从而数量级地提升物理模型的效率。

（克服维数灾难，计算量随原子数量线性增长）

深度学习分子动力学，对算力提出要求

上述这种深度学习分子动力学在大幅提升计算效率的同时，也对基础算力提出了新的需求。

首先，深度学习模块的加入对异构资源提出了新的需求：模型训练往往需要在海量异构资源上进行，以满足模型的开发迭代速度以及模型预测准确度。

因此，为了将深度学习分子动力学的优势最大化，需要充足的通用和异构计算资源。其次，虽然深度学习分子动力学大幅降低了计算成本，但面对比第一性原理分子动力学更大规模的求解过程时，深度学习分子动力学仍然需要海量的算力资源，超大计算规模场景下所需的算力资源往往令大多数计算中心难以满足，因此限制了深度学习分子动力学在材料计算、药物设计领域的应用。

基于智算+API，完成海量计算资源对接

目前，曙光智算和深势科技推出“多尺度模型+AI+高密度计算”联合解决方案，底层使用曙光智算海量通用和异构算力，支持超大规模作业任务，为深度学习分子动力学提供广阔舞台，依靠“无界算力”彻底消除“算力不足恐惧症”。

基于智算+API，深势科技Lebesgue管理平台已与曙光智算海量资源完成对接，并在计算中心成功部署DeePMD-kit、DP-GEN工具。背靠海量可扩展计算资源，联合解决方案打造高效的“AI+Science”研发新范式，助力临床前药物设计和新材料研发。

在药物设计领域，解决方案集成深势科技临床前计算机辅助药物设计平台 Hermite（hermite.dp.tech），借助深势科技自主研发的全新药物设计解决方案及众多业界优秀的药物设计工具，以用户友好的图形化操作界面，提供了算法-数据-算力三位一体的一站式解决方案：蛋白质结构预测模块 Uni-Fold 与增强采样算法 RiD 可完成实验级精度的蛋白结构建模与优化和高效的正构、别构口袋预测；虚拟筛选模块可实现数十亿分子库量级的虚拟筛选；结合自由能计算模块 Hermite Uni-FEP 将自由能微扰理论、分子动力学、增强采样算法与高性能计算相结合，以化学精度高效评估蛋白与配体的结合自由能，实现工业规模的先导化合物优化筛选，提升药物优化效率。

在材料计算领域，解决方案依靠曙光智算底层算力和深势科技自研的新一代分子模拟技术，能够实现效率与精度的统一，将过去业内以“炒菜”式实验为主的试错式研发模式，逐渐转变为“计算设计-实验验证”的理性设计研发模式，将研发周期缩短至原来的十分之一。此外，这种新型科研基础设施可以解决传统方法难以计算的多元电极、离子输运、表面界面模拟问题，有望为现有材料体系中的未解问题给出解答，成为新能源材料研发升级的新引擎。

关联公众号

关联公众号

严正声明

联系我们

售后服务

当深度学习分子动力学遇到无界算力：加速触碰未来