論文の概要: Implementation of the multigrid Gaussian-Plane-Wave algorithm with GPU acceleration in PySCF

• arxiv url: http://arxiv.org/abs/2603.24881v1
• Date: Wed, 25 Mar 2026 23:53:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.021186
• Title: Implementation of the multigrid Gaussian-Plane-Wave algorithm with GPU acceleration in PySCF
• Title（参考訳）: PySCFにおけるGPUアクセラレーションを用いたマルチグリッドガウス-プラン波アルゴリズムの実装
• Authors: Rui Li, Xing Zhang, Qiming Sun, Yuanheng Wang, Junjie Yang, Garnet Kin-Lic Chan,
• Abstract要約: 本稿では,高速なフォックビルドと核勾配評価のためのGPU加速型ガウス波密度フィッティング(FFTDF)手法を提案する。 256水クラスターの場合、基底状態エネルギーと核勾配は1つのH100 GPU上で30秒で計算できる。
• 参考スコア（独自算出の注目度）: 12.636218288944095
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a GPU-accelerated multigrid Gaussian-Plane-Wave density fitting (FFTDF) approach for efficient Fock builds and nuclear gradient evaluations within Kohn-Sham density functional theory, as implemented in the GPU4PySCF module of PySCF. Our CUDA kernels employ a grid-based parallelization strategy for contracting Gaussian basis function pairs and achieve up to 80% of the FP64 peak performance on NVIDIA GPUs, with no loss of efficiency for high angular momentum (up to f-shell) functions. Benchmark calculations on molecules and solids with up to 1536 atoms and 20480 basis functions show up to 25x speedup on an H100 GPU relative to the CPU implementation on a 28-core shared memory node. For a 256-water cluster, the ground-state energy and nuclear gradients can be computed in ~30 seconds on a single H100 GPU. This implementation serves as an open-source foundation for many applications, such as ab initio molecular dynamics and high-throughput calculations.
• Abstract（参考訳）: 我々は,PySCFのGPU4PySCFモジュールに実装された,効率的なフォック構築のためのGPU加速型マルチグリッドガウス-プライン-ウェーブ密度フィッティング(FFTDF)アプローチと,コーン・シャム密度汎関数理論における核勾配評価を導入する。 我々のCUDAカーネルは、ガウス基底関数対を縮小するためのグリッドベースの並列化戦略を採用し、NVIDIA GPU上でのFP64ピーク性能の最大80%を達成し、高角運動量(f殻まで)関数の効率を損なうことがない。 最大1536個の原子と20480個の基底関数を持つ分子と固体のベンチマーク計算は、28コアの共有メモリノード上のCPU実装と比較して、H100 GPU上で最大25倍のスピードアップを示す。 256水クラスターの場合、基底状態エネルギーと核勾配は1つのH100 GPUで約30秒で計算できる。 この実装は、ab initio 分子動力学や高スループット計算など、多くのアプリケーションのためのオープンソース基盤として機能する。

関連論文リスト

• Scalable GPU-Accelerated Euler Characteristic Curves: Optimization and Differentiable Learning for PyTorch [0.0]
  我々は,Euler Characteristics Curve(ECC)向けに最適化されたGPUカーネルを提案し,合成グリッド上でのGPU実装よりも16-2000"Oの高速化を実現した。 エンドツーエンドの学習を可能にする差別化可能なPyTorch層を導入する。
  論文  参考訳（メタデータ） (2025-10-23T06:59:07Z)
• GPU-accelerated Effective Hamiltonian Calculator [70.12254823574538]
  本研究では,非摂動解析対角化法(NPAD)とマグナス拡大法に着想を得た数値解析手法を提案する。 私たちの数値技術は、オープンソースPythonパッケージとして、$rm qCH_eff$で利用可能です。
  論文  参考訳（メタデータ） (2024-11-15T06:33:40Z)
• Multi-GPU RI-HF Energies and Analytic Gradients $-$ Towards High Throughput Ab Initio Molecular Dynamics [0.0]
  本稿では,複数グラフィクス処理ユニット(GPU)を用いた高次ハートリー・フォックエネルギーと解析勾配の解法を最適化したアルゴリズムと実装を提案する。 このアルゴリズムは特に、中小分子(10-100原子)の高スループット初期分子動力学シミュレーションのために設計されている。
  論文  参考訳（メタデータ） (2024-07-29T00:14:10Z)
• Introducing GPU-acceleration into the Python-based Simulations of Chemistry Framework [4.368931200886271]
  我々はPySCFのメソッドのGPUアクセラレーションを提供するモジュールであるGPU4PySCFの最初のバージョンを紹介する。 ベンチマーク計算は、PySCFのマルチスレッドCPUHartree-Fockコードに対して、2桁の大幅な高速化を示している。
  論文  参考訳（メタデータ） (2024-07-12T21:50:19Z)
• Fully-fused Multi-Layer Perceptrons on Intel Data Center GPUs [3.7101665559244874]
  本稿では,Intel Data Center GPU Max 1550用のMulti-formedLayer Perceptrons(MLP)の実装について述べる。 これにより算術強度が大幅に向上し,特に推論性能が向上することを示す。
  論文  参考訳（メタデータ） (2024-03-26T11:38:39Z)
• Efficient and Generic 1D Dilated Convolution Layer for Deep Learning [52.899995651639436]
  幅広いパラメータをカバーする汎用的な1D畳み込み層の効率的な実装を紹介します。 特にIntel AVX-512とAVX-512 BFloat16命令を含むアーキテクチャ向けに最適化されている。 本稿では,最適化された1次元畳み込み層の性能を,実際のゲノミクスデータセットを用いたエンドツーエンドニューラルネットワークトレーニングで実証する。
  論文  参考訳（メタデータ） (2021-04-16T09:54:30Z)
• DistGNN: Scalable Distributed Training for Large-Scale Graph Neural Networks [58.48833325238537]
  大規模グラフの構造を学ぶためにGNN(Graph Neural Networks)のフルバッチトレーニングは、実現可能な数百の計算ノードにスケールする必要がある重要な問題です。 本稿では,CPUクラスタ上でのフルバッチトレーニングのためのDGL(Deep Graph Library)を最適化したGNNについて述べる。 4つの一般的なGNNベンチマークデータセットの結果は、1つのCPUソケットを使用して最大3.7倍のスピードアップ、128のCPUソケットを使用して最大97倍のスピードアップを示す。
  論文  参考訳（メタデータ） (2021-04-14T08:46:35Z)

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。