JAXRENS把嵌套采样搬上GPU:ZnS相图含熔化线在四块H100上5.8天算完
核心概要
嵌套采样能从一次运行给出整个温度范围的热力学量,但把现代机器学习原子间势(MLIP)接进来做有限温度相稳定性预测,一直卡在计算吞吐上。JAXRENS把整群采样walker当作一次批处理计算,用JAX编译成单个GPU内核,并支持多GPU分片与副本交换。以MACE基础模型起步、再用主动学习蒸馏出NeuralIL势,32原子ZnS的压强—温度相图(含此前未在压强下测过的熔化线)在四块H100上5.8天完成,而串行ASE驱动外推需约2.2年。
深度剖析
有限温度相稳定性预测现在可以由机器学习原子间势直接驱动,而不必先假定竞争相。JAXRENS把嵌套采样中彼此独立的walker演化合并成一次批处理计算,使采样器能直接对接MACE、NeuralIL、Nequix等现代势函数。 此前的原子尺度嵌套采样代码pymatnest与FreeBird.jl面向CPU设计,经ASE接口调用GPU时一次只能算一个构型,MPI提供的walker并行在GPU路径上被放弃。 在Si32、27 Å3/atom的基准上,JAXRENS在批宽64时每次模型调用0.14 ms;pymatnest在16个CPU核上为4.5 ms,单构型GPU路径为5.2 ms(FreeBird.jl)和6.6 ms(pymatnest)。
一次嵌套采样运行即可给出整个温度区间的自由能与热容,相变表现为热容峰,无需预设序参量。副本交换让不同压强的模拟之间交换构型,改善复杂能面上的遍历性。 常规基于温度的采样只有在事先知道并瞄准相关相时才能定位这些区域,而嵌套采样按焓从高到低扫描构型空间。 在ZnS的32原子最终运行中,相邻压强副本对之间30–77%的交换尝试被接受,B3–B1转变表现为一条沿边界延伸的低接受率对角线。
以基础模型起步、再用主动学习蒸馏出体系专用势,可以把第一性原理质量的相图所需的体系特定输入压缩到有限次参考计算。 基础模型的16原子元胞中熔化峰较宽,固–固边界只能按压强网格分辨,因此需要更大元胞和更密压强网格。 从基础模型轨迹中抽取1000个构型用r2SCAN标注,训练NeuralIL委员会;四轮主动学习共标注1792个构型,最终运行使用64个压强、32原子元胞,在四块H100上5.8天完成。
启示与展望
演示范围是Si32基准计时,以及ZnS在0至给定上限压强、32原子元胞、64个压强点上的相图计算;环境压强下的熔化温度2031 K落在化学计量比与富锌ZnS的实测熔点之间。读者对象是从事原子尺度热力学采样的材料与计算物理研究者。
作者指出,B3–B1转变的绝对压强位置继承自r2SCAN的转变压强,而非来自采样本身;该值高于高温X射线数据的外推。环境压强熔化点在文献中本身存在争议,作者将其归因于化学计量比差异。
