論文の概要: Scalable High-Fidelity Macromolecular Docking for GPU-Accelerated Supercomputers
- arxiv url: http://arxiv.org/abs/2608.07078v1
- Date: Fri, 07 Aug 2026 10:29:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.466108
- Title: Scalable High-Fidelity Macromolecular Docking for GPU-Accelerated Supercomputers
- Title（参考訳）: GPU加速スーパーコンピュータのためのスケーラブルな高忠実マクロ分子ドッキング
- Abstract要約: フレキシブルマクロ分子ドッキングは、生体分子相互作用の高忠実度予測を提供するが、大規模では非常に高価である。
本稿では、ほぼリアルタイムなフレキシブルドッキングを可能にするスケーラブルなGSOベースのドッキングフレームワークであるSparkleDockを紹介する。
ドッキング時間を数時間から秒に短縮し、以前はフレキシブルドッキングでは不可能だった大規模で高忠実な仮想スクリーニングを可能にする。
- 参考スコア（独自算出の注目度）: 20.915603595029804
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Flexible macromolecular docking offers high-fidelity predictions of biomolecular interactions, but remains prohibitively expensive at scale. Among existing approaches, LightDock leverages Glowworm Swarm Optimization (GSO) for accuracy, yet suffers from limited parallelism, irregular computation, and severe load imbalance, preventing efficient execution on GPU supercomputers. We present SparkleDock, a scalable GSO-based docking framework enabling near-real-time flexible docking. We redesign GSO to expose massive fine-grained parallelism at the glowworm-agent level, and restructure the dominant energy scoring computation into a Tensor Core-compatible formulation, enabling efficient execution of irregular pairwise interactions through structured matrix operations. We further introduce a performance-model-driven scheduling for load balancing and out-of-core scaling across GPUs. SparkleDock achieves 9.7 $\times$ and 18.9 $\times$ speedups over LightDock on single A100 and H100 GPU, and delivers over two orders of magnitude acceleration at scale. On 512 GPUs, it reduces docking time from hours to seconds, enabling large-scale, high-fidelity virtual screening previously impractical with flexible docking.
- Abstract（参考訳）: フレキシブルマクロ分子ドッキングは、生体分子相互作用の高忠実度予測を提供するが、大規模では非常に高価である。
既存のアプローチの中で、LightDockはGlowworm Swarm Optimization(GSO)を正確性に活用しているが、限られた並列性、不規則な計算、厳しい負荷不均衡に悩まされており、GPUスーパーコンピュータ上での効率的な実行を妨げている。
本稿では、ほぼリアルタイムなフレキシブルドッキングを可能にするスケーラブルなGSOベースのドッキングフレームワークであるSparkleDockを紹介する。
我々はGSOを再設計し、光虫エージェントレベルでの大きめの並列性を公開し、支配的なエネルギースコアリング計算をTensor Core互換の定式化に再構成し、構造化行列演算による不規則な対の相互作用の効率的な実行を可能にした。
さらに、GPU間のロードバランシングとアウトオブコアスケーリングのためのパフォーマンスモデル駆動スケジューリングを導入します。
SparkleDockは、シングルA100とH100 GPU上でLightDock上の9.7$\times$と18.9$\times$のスピードアップを達成する。
512 GPUでは、ドッキング時間を数時間から秒に短縮し、以前はフレキシブルドッキングでは不可能だった大規模で高忠実な仮想スクリーニングを可能にする。
関連論文リスト
- QArray+: A physics-informed GPU-accelerated simulator for quantum dot arrays [3.507321002567038]
本稿では,QArrayフレームワークの拡張であるQArray+について紹介する。
このアプローチは、コヒーレントな相互電荷-状態ハイブリッド化と、機械学習モデルのトレーニングに不可欠な非平衡ラッチダイナミクスの統一シミュレーションを可能にする。
論文 参考訳（メタデータ） (2026-09-02T15:43:37Z) - FluxBin: Flexible LUT-based Ultra-low-bit LLM Inference by Algorithm-Kernel Synergy [32.21687694159134]
FluxBinは高度に最適化されたカーネルとバイナリ量子化を合成するアルゴリズムである。
FluxBinは最大5.92ドルのスピードアップと10.19ドルの省エネを達成する。
これにより、70Bスケールのモデルを1つのA100ベースにデプロイし、メモリを4倍に削減できる。
論文 参考訳（メタデータ） (2026-08-16T08:01:06Z) - FaST: Efficient and Effective Long-Horizon Forecasting for Large-Scale Spatial-Temporal Graphs via Mixture-of-Experts [49.9321870703948]
既存のモデルは、主に短期水平予測に焦点を当てており、悪名高い計算コストとメモリ消費に悩まされている。
本稿では,長期・大規模STG予測のためのMixture-of-Experts(MoEs)に基づく,効率的かつ効率的なフレームワークであるFaSTを提案する。
まず、計算負担を軽減するための適応型グラフエージェントアテンション機構を提案する。
第2に,従来のフィードフォワードネットワークを Gated Linear Units (GLUs) に置き換えた新しい並列MoEモジュールを提案する。
論文 参考訳（メタデータ） (2026-01-08T18:00:58Z) - Distributed Equivariant Graph Neural Networks for Large-Scale Electronic Structure Prediction [76.62155593340763]
密度汎関数理論(DFT)データに基づいて訓練された等価グラフニューラルネットワーク(eGNN)は、前例のない規模で電子構造予測を行う可能性がある。
しかし、このタスクに必要なグラフ表現は密結合である傾向がある。
本稿では,直接GPU通信を利用する分散eGNNの実装と,入力グラフの分割戦略を提案する。
論文 参考訳（メタデータ） (2025-07-04T23:53:47Z) - Advanced Techniques for High-Performance Fock Matrix Construction on GPU Clusters [0.0]
opt-UM と opt-Brc は、Hartree-Fock のケーキュレーションを$f$型角運動量関数に拡張した。
Opt-Brc はより小さな系と高度に収縮された三価ゼータの基底集合に対して優れ、オプト-UM は大きな分子系に対して有利である。
論文 参考訳（メタデータ） (2024-07-31T08:49:06Z) - 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) - GPU-accelerated Auxiliary-field quantum Monte Carlo with multi-Slater determinant trial states [11.514211053741338]
本稿では,グラフィック処理ユニットアクセラレーション ph-AFQMC の実装と応用について述べる。
マルチスレーター試行状態を用いて、ph-AFQMCは強い相関系を忠実に扱う可能性がある。
我々の研究はMSDAFQMC計算の効率を大幅に向上させる。
論文 参考訳（メタデータ） (2024-06-12T15:15:17Z) - SPEED: Streaming Partition and Parallel Acceleration for Temporal
Interaction Graph Embedding [22.68416593780539]
本稿では,時間的相互作用グラフ埋め込みのためのストリームエッジ分割と並列高速化という,新たなトレーニング手法を提案する。
提案手法は,計算資源,計算時間,下流タスク性能のバランスが良好である。
7つの実世界のデータセットにまたがる実証的な検証は、トレーニング速度を最大19.29倍に向上させる可能性を実証している。
論文 参考訳（メタデータ） (2023-08-27T15:11:44Z) - EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。
我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。
私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
論文 参考訳（メタデータ） (2023-02-15T06:05:14Z) - EfficientViT: Multi-Scale Linear Attention for High-Resolution Dense
Prediction [67.11722682878722]
この研究は、新しいマルチスケール線形注意を持つ高解像度ビジョンモデルのファミリーであるEfficientViTを提示する。
マルチスケール線形注意は,グローバルな受容場とマルチスケール学習を実現する。
EfficientViTは従来の最先端モデルよりも優れたパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2022-05-29T20:07:23Z) - Adaptive Elastic Training for Sparse Deep Learning on Heterogeneous
Multi-GPU Servers [65.60007071024629]
本稿では,Adaptive SGDが4つの最先端ソリューションよりも精度が高いことを示す。
本稿では,Adaptive SGDが時間と精度で4つの最先端ソリューションより優れていることを示す。
論文 参考訳（メタデータ） (2021-10-13T20:58:15Z) - VersaGNN: a Versatile accelerator for Graph neural networks [81.1667080640009]
我々は,超効率的なサイストリックアレイベースの多用途ハードウェアアクセラレータである textitVersaGNN を提案する。
textitVersaGNNは平均3712$times$ speedup with 1301.25$times$ energy reduction on CPU、35.4$times$ speedup with 17.66$times$ energy reduction on GPUを達成している。
論文 参考訳（メタデータ） (2021-05-04T04:10:48Z)
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。