論文の概要: chemtrain-deploy: A parallel and scalable framework for machine learning potentials in million-atom MD simulations

• arxiv url: http://arxiv.org/abs/2506.04055v1
• Date: Wed, 04 Jun 2025 15:19:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.414221
• Title: chemtrain-deploy: A parallel and scalable framework for machine learning potentials in million-atom MD simulations
• Title（参考訳）: chemtrain-deploy: 百万原子MDシミュレーションにおける機械学習ポテンシャルの並列かつスケーラブルなフレームワーク
• Authors: Paul Fuchs, Weilong Chen, Stephan Thaler, Julija Zavadlav,
• Abstract要約: 本稿では,MDシミュレーションにおけるLAMMPSのモデル非依存展開を可能にするフレームワークであるChemtrain-deployを提案する。 Chemtrain-deployはJAX定義の半局所ポテンシャルをサポートし、ユーザーはLAMMPSの機能を利用することができる。 最先端の効率を実現し、数百万の原子を含むシステムにスケールする。
• 参考スコア（独自算出の注目度）: 0.6240840318920522
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning potentials (MLPs) have advanced rapidly and show great promise to transform molecular dynamics (MD) simulations. However, most existing software tools are tied to specific MLP architectures, lack integration with standard MD packages, or are not parallelizable across GPUs. To address these challenges, we present chemtrain-deploy, a framework that enables model-agnostic deployment of MLPs in LAMMPS. chemtrain-deploy supports any JAX-defined semi-local potential, allowing users to exploit the functionality of LAMMPS and perform large-scale MLP-based MD simulations on multiple GPUs. It achieves state-of-the-art efficiency and scales to systems containing millions of atoms. We validate its performance and scalability using graph neural network architectures, including MACE, Allegro, and PaiNN, applied to a variety of systems, such as liquid-vapor interfaces, crystalline materials, and solvated peptides. Our results highlight the practical utility of chemtrain-deploy for real-world, high-performance simulations and provide guidance for MLP architecture selection and future design.
• Abstract（参考訳）: 機械学習ポテンシャル(MLP)は急速に進歩し、分子動力学(MD)シミュレーションを変換する大きな可能性を示している。 しかし、既存のソフトウェアツールの多くは特定のMDPアーキテクチャに結びついており、標準のMDパッケージと統合されていないか、GPU間で並列化できない。 これらの課題に対処するため,LAMMPSにおけるMLPのモデルに依存しないデプロイを可能にするフレームワークであるChemtrain-deployを提案する。 chemtrain-deployはJAX定義の半局所ポテンシャルをサポートしており、LAMMPSの機能を利用して、複数のGPU上で大規模なMLPベースのMDシミュレーションを行うことができる。 最先端の効率を実現し、数百万の原子を含むシステムにスケールする。 MACE, Allegro, PaiNNなどのグラフニューラルネットワークアーキテクチャを用いて, 液蒸気界面, 結晶材料, 溶存ペプチドなどの様々なシステムに適用し, その性能とスケーラビリティを検証した。 本研究は, 実世界, 高性能シミュレーションにおけるケミカルトレイン・デパイラの実用性を強調し, MLPアーキテクチャの選択と今後の設計に関するガイダンスを提供する。

関連論文リスト

• Automating MD simulations for Proteins using Large language Models: NAMD-Agent [9.339909188265333]
  我々は,大規模言語モデル(LLM),特にGemini 2.0 Flashを,ピソンスクリプティングとSeleniumベースのWebオートメーションとともに活用する自動化パイプラインを導入する。 このパイプラインはCHARMM GUIの包括的Webベースインタフェースを利用して、NAMDのシミュレーション対応インプットを作成する。 結果は、このアプローチがセットアップ時間を短縮し、手動エラーを最小限にし、複数のタンパク質システムを並列に処理するためのスケーラブルなソリューションを提供することを示した。
  論文  参考訳（メタデータ） (2025-07-10T16:17:40Z)
• DistMLIP: A Distributed Inference Platform for Machine Learning Interatomic Potentials [6.622327158385407]
  機械学習原子間ポテンシャル(MLIP)は、量子力学計算をスケールアップするソリューションを提供する。 我々は、ゼロ冗長グラフレベルの並列化に基づく、MLIPのための効率的な分散推論プラットフォームであるDistMLIPを提案する。 我々は、広く使われている4つの最先端MLIP(CHGNet、MACE、Net、eSEN)上でDistMLIPを実証する。
  論文  参考訳（メタデータ） (2025-05-28T23:23:36Z)
• Fast, Modular, and Differentiable Framework for Machine Learning-Enhanced Molecular Simulations [12.00988094580341]
  分子動力学およびモンテカルロシミュレーションのためのエンドツーエンド微分分子シミュレーションフレームワーク(DIMOS)を提案する。 そのモジュール性のおかげで、古典的および機械学習に基づくアプローチは、システムのハイブリッド記述(ML/MM)に簡単に組み合わせることができる。 優れたパフォーマンスと高い汎用性は、さまざまなベンチマークやアプリケーションで調査されている。
  論文  参考訳（メタデータ） (2025-03-26T13:39:10Z)
• MAPS: Advancing Multi-Modal Reasoning in Expert-Level Physical Science [62.96434290874878]
  現在のMLLM(Multi-Modal Large Language Models)は、一般的な視覚的推論タスクにおいて強力な機能を示している。 我々は,MLLMに基づく物理知覚とシミュレーションによるマルチモーダル科学推論(MAPS)という新しいフレームワークを開発した。 MAPSは、専門家レベルのマルチモーダル推論タスクを物理的知覚モデル(PPM)を介して物理図理解に分解し、シミュレータを介して物理的知識で推論する。
  論文  参考訳（メタデータ） (2025-01-18T13:54:00Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSim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を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような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)
• 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)
• VisualAgentBench: Towards Large Multimodal Models as Visual Foundation Agents [50.12414817737912]
  大規模マルチモーダルモデル(LMM)は、人工知能の新たな時代を迎え、言語と視覚の融合によって、高い能力を持つVisual Foundation Agentを形成する。 既存のベンチマークでは、複雑な実世界の環境でのLMMの可能性を十分に証明できない。 VisualAgentBench (VAB) は、視覚基礎エージェントとしてLMMを訓練し評価するための先駆的なベンチマークである。
  論文  参考訳（メタデータ） (2024-08-12T17:44:17Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• MLatom 3: Platform for machine learning-enhanced computational chemistry simulations and workflows [12.337972297411003]
  機械学習(ML)は、計算化学における一般的なツールになりつつある。 MLatom 3は、MLのパワーを活用して典型的な計算化学シミュレーションを強化するプログラムパッケージである。 ユーザーは、事前訓練されたMLモデルと量子力学的近似を含む幅広いメソッドのライブラリから選択できる。
  論文  参考訳（メタデータ） (2023-10-31T03:41:39Z)
• In Situ Framework for Coupling Simulation and Machine Learning with Application to CFD [51.04126395480625]
  近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。 シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。 この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
  論文  参考訳（メタデータ） (2023-06-22T14:07:54Z)
• A Unified Cloud-Enabled Discrete Event Parallel and Distributed Simulation Architecture [0.7949705607963994]
  クラウドにシミュレーションをデプロイするのに十分な柔軟性を備えた並列分散M&Sアーキテクチャを提案する。 我々のフレームワークは、離散イベントシステム仕様(DEVS)の形式に基づいている。 並列および分散フレームワークのパフォーマンスは、xDEVS M&Sツールと最大8つの計算ノードを持つDEVStoneベンチマークを用いてテストされる。
  論文  参考訳（メタデータ） (2023-02-22T09:47:09Z)
• 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。