A tudományos kutatások során végzett szimulációk általában hatalmas számítási kapacitást igényelnek, ezért ezeket jellemzően szuperszámítógépeken futtatják. Azonban bizonyos kutatási területeken – például a molekulák kvantumviselkedésének modellezésénél, ahol az állapotok száma exponenciálisan nő az interakciók miatt – már a klasszikus szuperszámítógépek sem képesek hatékonyan dolgozni. Ilyen esetekben kvantumszámítógépekre lenne szükség, vagy pedig jelentős egyszerűsítéseket kell alkalmazni a feladatok kezelhetősége érdekében.
Most azonban kínai tudósok a Sunway kutatóintézetből egy jelentős tudományos és technológiai áttörést értek el: mesterséges intelligencia (AI) alapú modellt és az Oceanlite nevű meglévő szuperszámítógépet használva sikerült komplex kvantumkémiai folyamatokat modellezniuk valós molekulák méretében. Ez az eredmény új távlatokat nyit a kvantumfizika és kémia kutatásában, valamint a nagy teljesítményű számítástechnika alkalmazásában – számol be róla a VastData.
A kvantumállapotok és a hullámfüggvény szerepe
A kvantummechanikában egy rendszer állapotát a hullámfüggvény (Ψ) írja le, amely meghatározza az összes lehetséges konfigurációt, például egy molekulán belüli elektronok helyzetét, spinjét vagy energiáját, valamint ezek valószínűségeit. A hullámfüggvény modellezése azonban rendkívül összetett feladat, mivel az állapottér mérete exponenciálisan növekszik a részecskék számával. Emiatt a mai klasszikus szuperszámítógépek számára lehetetlen vagy legalábbis nem gazdaságos ilyen rendszereket teljes pontossággal szimulálni.
Ezért a kutatók különféle közelítő módszereket alkalmaznak, amelyek leegyszerűsítik a kvantumegyenleteket úgy, hogy közben megőrzik az eredmények pontosságát. Ezekkel leírhatók molekulák szerkezetei, reakciói és energiái, azonban ezek a módszerek csak viszonylag kis molekulákra skálázhatók hatékonyan.
Az AI és a neurális hálózatok szerepe a kvantumszimulációban
A soktestes kvantumrendszerek vizsgálatához, ahol erős elektronkorrelációk vannak jelen (például több tucat elektron vagy több mint 100 spin-orbitál esetén), néhány évvel ezelőtt fizikusok javasolták modern gépi tanulási megoldások alkalmazását. Ezek közül kiemelkedik a neurális hálózatokra épülő kvantumállapot-approximáció (Neural-Network Quantum States – NNQS), amely képes modellezni az elektronok összes lehetséges konfigurációját és mozgását egy molekulán belül.
Ez az eljárás ígéretesen ötvözi az AI skálázhatóságát és a kvantummechanika pontosságát, lehetővé téve olyan kutatásokat, amelyek hagyományos módszerekkel jelenleg nem kivitelezhetők.
A kínai kutatás részletei: 120 spin-orbitálos modell
A kínai kutatócsoport saját NNQS keretrendszert fejlesztett ki egy 120 spin-orbitált tartalmazó molekula szimulációjához. A neurális hálózatot úgy tanították meg, hogy közelítőleg reprodukálja a molekula hullámfüggvényét, vagyis meghatározza az elektronok legvalószínűbb elhelyezkedését.
Minden egyes mintavételezett elektronelrendezéshez kiszámították a helyi energiát, majd finomhangolták a hálózatot addig, amíg annak előrejelzései megfeleltek a molekula valódi kvantumenergiájának mintázatával.
Az Oceanlite szuperszámítógép és az NNQS integrációja
A kutatók az Oceanlite nevű kínai szuperszámítógépen futtatták kódjukat. Ez a gép egy 384 magos Sunway SW26010-Pro processzorra épül, amely támogatja az FP16, FP32 és FP64 adatformátumokat. Érdekessége, hogy architektúráját elsősorban nagy teljesítményű számításokra (HPC) optimalizálták, nem pedig kifejezetten mesterséges intelligencia feladatokra.
A fejlesztőknek különösen figyelembe kellett venniük azt, hogyan párhuzamosítja az SW26010-Pro processzor a munkaterhelést és kezeli az adatokat. Ennek érdekében hierarchikus kommunikációs modellt alakítottak ki:
- Menedszer magok: koordinálták a processzorok és csomópontok közötti kommunikációt.
- Könnyű súlyú számítási elemek (CPE-k): több millió 2-sávos egység végezte el helyileg a kvantumszámításokat egy 512 bites vektorprocesszorral.
Ezen túlmenően dinamikus terheléselosztó algoritmust fejlesztettek ki annak érdekében, hogy elkerüljék az erőforrások kihasználatlanságát és kiegyensúlyozott legyen a számítási munka megoszlása minden mag között.
Lenyűgöző teljesítmény és hatékonyság
A kutatók kódját összesen 37 millió CPE magon futtatták le. Az eredmények alapján 92%-os erős skálázódást és 98%-os gyenge skálázódást értek el – ez rendkívül magas hatékonyságot jelent ilyen nagyléptékű párhuzamos feldolgozás esetén.
Ezek az adatok azt mutatják, hogy sikerült közel tökéletes összhangot teremteniük szoftver és hardver között – ami óriási eredmény Kína szuperszámítógép-közössége számára. Emellett ez volt eddig a legnagyobb léptékű AI-alapú kvantumkémiai számítás klasszikus szuperszámítógépen: 120 spin-orbitállal rendelkező molekuláris rendszer modellezése.
Következtetések és jövőbeli kilátások
Ezzel az áttöréssel bizonyítottá vált, hogy az NNQS módszer alkalmas modern szuperszámítógépeken végzett kvantumfizikai kutatásokra. Ugyanakkor még kérdéses marad, hogy mennyire hatékony egy exascale teljesítményű gépet – mint amilyen az Oceanlite – használni AI-alapú kvantumfizikai kutatásokhoz mind erőforrásigény, mind energiafelhasználás tekintetében.
Ez az eredmény azonban kétségkívül új fejezetet nyit Kína mesterséges intelligencia- és kvantumszámítási iparában, továbbá inspiráló példa lehet más országok számára is ezen innovatív technológiák alkalmazására tudományos kutatásban.