論文の概要: MOFA: Discovering Materials for Carbon Capture with a GenAI- and Simulation-Based Workflow

• arxiv url: http://arxiv.org/abs/2501.10651v1
• Date: Sat, 18 Jan 2025 04:10:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:19:43.330899
• Title: MOFA: Discovering Materials for Carbon Capture with a GenAI- and Simulation-Based Workflow
• Title（参考訳）: MOFA:GenAIとシミュレーションベースのワークフローによる炭素捕獲材料発見
• Authors: Xiaoli Yan, Nathaniel Hudson, Hyun Park, Daniel Grzenda, J. Gregory Pauloski, Marcus Schwarting, Haochen Pan, Hassan Harb, Samuel Foreman, Chris Knight, Tom Gibbs, Kyle Chard, Santanu Chaudhuri, Emad Tajkhorshid, Ian Foster, Mohamad Moosavi, Logan Ward, E. A. Huerta,
• Abstract要約: MOFAはオープンソースの生成AI(GenAI)と高速な金属-有機フレームワーク(MOF)のシミュレーションワークフローである。 MOFAは、分散トレーニングや推論を含むGenAIタスクのためのGPU加速コンピューティングと、AI生成のMOFのスクリーニングとフィルタリングのためのCPUおよびGPU最適化タスクを統合する上で、重要な課題に対処する。
• 参考スコア（独自算出の注目度）: 5.310696264367485
• License:
• Abstract: We present MOFA, an open-source generative AI (GenAI) plus simulation workflow for high-throughput generation of metal-organic frameworks (MOFs) on large-scale high-performance computing (HPC) systems. MOFA addresses key challenges in integrating GPU-accelerated computing for GPU-intensive GenAI tasks, including distributed training and inference, alongside CPU- and GPU-optimized tasks for screening and filtering AI-generated MOFs using molecular dynamics, density functional theory, and Monte Carlo simulations. These heterogeneous tasks are unified within an online learning framework that optimizes the utilization of available CPU and GPU resources across HPC systems. Performance metrics from a 450-node (14,400 AMD Zen 3 CPUs + 1800 NVIDIA A100 GPUs) supercomputer run demonstrate that MOFA achieves high-throughput generation of novel MOF structures, with CO$_2$ adsorption capacities ranking among the top 10 in the hypothetical MOF (hMOF) dataset. Furthermore, the production of high-quality MOFs exhibits a linear relationship with the number of nodes utilized. The modular architecture of MOFA will facilitate its integration into other scientific applications that dynamically combine GenAI with large-scale simulations.
• Abstract（参考訳）: 我々は、オープンソースの生成AI(GenAI)と、大規模高性能コンピューティング(HPC)システム上での高スループットな金属有機フレームワーク(MOF)のシミュレーションワークフローであるMOFAを提案する。 MOFAは、分子動力学、密度汎関数理論、モンテカルロシミュレーションを用いたAI生成MOFのスクリーニングとフィルタリングのためのCPUおよびGPU最適化タスクと並行して、分散トレーニングと推論を含むGPU集約型GenAIタスクのためのGPU加速コンピューティングの統合における重要な課題に対処する。 これらの異種タスクは、HPCシステム全体で利用可能なCPUとGPUリソースの利用を最適化するオンライン学習フレームワークに統合される。 450ノード (14,400 AMD Zen 3 CPUs + 1800 NVIDIA A100 GPUs) のスーパーコンピュータによる性能測定により、MOFAは、仮説MOF(hMOF)データセットで上位10のCO$2$吸着容量で、新しいMOF構造を高速に生成できることが示されている。 さらに、高品質MOFの生成は、使用するノード数と線形関係を示す。 MOFAのモジュラーアーキテクチャは、GenAIと大規模シミュレーションを動的に組み合わせた他の科学アプリケーションとの統合を促進する。

関連論文リスト

• GauSim: Registering Elastic Objects into Digital World by Gaussian Simulator [55.02281855589641]
  GauSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体としてモデル化し、理想化された仮定なしに現実的な変形を考慮に入れた。 ガウシムは質量や運動量保存などの明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• BioNeMo Framework: a modular, high-performance library for AI model development in drug discovery [66.97700597098215]
  計算生物学と化学AIモデルのトレーニングを容易にするために,BioNeMo Frameworkを紹介した。 256のNVIDIA A100では、BioNeMo Frameworkは40億のパラメータBERTベースのPLMを4.2日で1兆個以上のトークンでトレーニングしている。 BioNeMo Frameworkはオープンソースで、誰でも自由に使える。
  論文  参考訳（メタデータ） (2024-11-15T19:46:16Z)
• EPS-MoE: Expert Pipeline Scheduler for Cost-Efficient MoE Inference [49.94169109038806]
  本稿では,既存の並列処理方式を超越したMoE用パイプラインスケジューラであるEPS-MoEを紹介する。 その結果,既存の並列推論手法と比較して,プリフィルスループットは52.4%向上した。
  論文  参考訳（メタデータ） (2024-10-16T05:17:49Z)
• Neural Architecture Search of Hybrid Models for NPU-CIM Heterogeneous AR/VR Devices [10.75997684204274]
  ヘテロジニアスエッジシステムのための効率的なハイブリッドCNN/ViTモデルを設計するためのニューラルネットワーク探索フレームワークであるH4H-NASを紹介する。 Algo/HW共同設計の結果、全体のレイテンシは56.08%、エネルギーは41.72%向上した。
  論文  参考訳（メタデータ） (2024-10-10T19:30:34Z)
• FeNNol: an Efficient and Flexible Library for Building Force-field-enhanced Neural Network Potentials [0.0]
  FeNNolは、力場強化ニューラルネットワークポテンシャルの構築、トレーニング、実行のための新しいライブラリである。 ハイブリッドモデルを構築するためのフレキシブルでモジュール化されたシステムを提供する。 一般的なANI-2xモデルは、AMOEBAの分極力場とほぼ同等のシミュレーション速度に達する。
  論文  参考訳（メタデータ） (2024-05-02T17:25:32Z)
• A Heterogeneous Parallel Non-von Neumann Architecture System for Accurate and Efficient Machine Learning Molecular Dynamics [9.329011150399726]
  本稿では,高精度かつ高効率な機械学習(ML)計算を実現するための特別目的システムを提案する。 このシステムは、フィールドプログラマブルゲートアレイ(FPGA)と、異種並列化で動作するアプリケーション固有集積回路(ASIC)で構成されている。
  論文  参考訳（メタデータ） (2023-03-26T05:43:49Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• NNP/MM: Accelerating molecular dynamics simulations with machine learning potentials and molecular mechanic [38.50309739333058]
  ニューラルネットワーク電位(NNP)と分子力学(MM)を組み合わせたハイブリッド手法(NNP/MM)の最適化実装を提案する。 このアプローチは、小さな分子のようなシステムの一部をNNPを用いてモデル化し、残りのシステムにMMを用いて効率を向上する。 これにより, シミュレーション速度を5倍に向上し, 複合体毎の1マイクロ秒の同時サンプリングを実現し, この種のシミュレーションで報告された最長のシミュレーションとなった。
  論文  参考訳（メタデータ） (2022-01-20T10:57:20Z)
• Using Machine Learning at Scale in HPC Simulations with SmartSim: An Application to Ocean Climate Modeling [52.77024349608834]
  We demonstrate the first climate-scale, numerical ocean Simulations improve through distributed, online inference of Deep Neural Networks (DNN) using SmartSim。 SmartSimは、従来のHPCシミュレーションのためのオンライン分析と機械学習(ML)を可能にするためのライブラリです。
  論文  参考訳（メタデータ） (2021-04-13T19:27:28Z)
• Achieving 100X faster simulations of complex biological phenomena by coupling ML to HPC ensembles [47.44377051031385]
  ML駆動HPCシミュレーションシナリオのプロトタイプのためのツールであるDeepDriveMDを紹介します。 ML駆動のアンサンブルベースのアプリケーションの科学的性能の向上を定量化するために使用します。
  論文  参考訳（メタデータ） (2021-04-10T15:52:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。