四組團隊利用NVIDIA加速計算和人工智能平臺開展研究工作，躋身戈登貝爾常規獎或COVID研究特別獎角逐，其中兩組團隊的十億原子模擬令人驚嘆。

兩個10億個原子模擬，兩項對SARS-CoV-2病毒如何工作的新見解，以及一個加速藥物發現的新AI模型。

這些都是戈登貝爾獎決賽選手的成果。戈登貝爾獎被認為是高性能計算領域的諾貝爾獎。參賽選手們借助NVIDIA技術，利用人工智能、加速計算、或兩者兼施，推動科學發展。

COVID-19研究特別獎的決賽入圍者利用人工智能將多項模擬相連通，以一個全新的層面清晰地展示了病毒如何在宿主體內復制。

這項由美國阿貢國家實驗室的計算生物學家Arvind Ramanathan領導的研究，提供了一種方法來提高用于探索蛋白質結構的傳統工具的分辨率。這可以為阻止病毒傳播提供新的見解。

該研究團隊的成員來自美國和英國的十幾家機構，他們設計了一個工作流程，該工作流程在各系統中運行，包括慧與公司（HPE）構建的基于NVIDIA A100系統的Perlmutter，以及阿貢國家實驗室的NVIDIA DGX A100系統。

論文中寫道：“為綜合生物學進行多站點數據分析和模擬的能力，對于利用難以轉移的大型實驗數據將是非常寶貴的。”

作為研究工作的一部分，該團隊開發了一種技術，基于GPU，利用常用的NAMD程序加快分子動力學研究。他們還利用NVIDIA NVLink來提高數據的速度，達到了“遠超目前傳統HPC網絡互連或PCIe傳輸所能達到的水平”。

高保真度的十億原子

南佛羅里達大學物理學教授Ivan Oleynik帶領的團隊憑借首次對10億原子進行高精度模擬而入圍常規的戈登貝爾獎。它以23倍的速度，打破了去年戈登貝爾獎得主創造的紀錄。

Oleynik表示：“發現以前從未見過的現象是件令人高興的事，這是真正意義上的大成就，讓我們為之驕傲。”

碳原子在極端溫度和壓力下的模擬，為新的能源來源開啟了一扇門，并有助于描述遙遠星球的構成。它特別令人震驚，因為該模擬具有量子級的準確性，能夠真實地反映原子間的作用力。

Oleynik表示：”這是只有通過在強大的GPU超級計算機上應用機器學習技術才能達到的精度，人工智能正在為科學研究的方式帶來革命。”

該團隊在美國能源部的Summit 超級計算機上采用4，608臺IBM Power AC922服務器和27，900個NVIDIA GPU，該計算機由IBM建造，是世界上最強大的超級計算機之一，它體現出了其代碼能夠以幾乎100%的效率，擴展到200億個原子或更多的模擬。

該代碼可供任何有志在材料科學領域突破創新的研究人員使用。

致命液滴的內部

在另一個10億原子模擬中，COVID-19特別獎的第二組入圍團隊展示了空氣中液滴的Delta變體（如下圖）。它揭示了傳播COVID和其他疾病的生物力量，首次提供了對氣溶膠的原子級觀察。

根據去年特別獎得主、加州大學圣地亞哥分校的研究員Rommie Amaro所帶領團隊的論文，這項工作“對深層肺部病毒結合，以及對其他空氣傳播病原體的研究帶來了深遠的影響”。

由Amaro帶領的團隊模擬了呼吸道液滴中的Delta SARS-CoV-2病毒，其原子數超過10億。

Amaro表示：”我們展示了人工智能與HPC在多層面上的結合如何實現有效性能的大幅提高，使我們能夠用新的方法來理解和審視復雜的生物系統。”

研究人員將NVIDIA GPU用于Summit、戴爾科技為德克薩斯先進計算中心建造的Longhorn超級計算機、以及甲骨文云基礎設施（OCI）的商業系統。

該團隊總結道：“HPC和云資源可用于大幅縮短解決重大科學工作所需的時間，并能夠將研究人員彼此相連，大力推進復雜協作互動的實現。”

藥物發現的語言

美國橡樹嶺國家實驗室（ORNL）的COVID特別獎決賽選手將自然語言處理（NLP）應用于篩選新藥的化學化合物問題。

他們使用了一個包含96億分子的數據集（這是迄今為止應用于此項任務的最大的數據集），在兩小時內訓練了一個能夠加速新藥發現的BERT NLP模型。此前的最佳成果是耗費四天時間，用一個包含11億分子的數據集來訓練一個模型。

該研究工作在Summit超級計算機上使用了超過24，000個NVIDIA GPU，提供高達603 petaflops的性能。該模型現已訓練完成，可在單一GPU上運行，幫助研究人員找到可以抑制COVID和其他疾病的化學化合物。

橡樹嶺國家實驗室計算科學家Jens Glaser表示：”已經有協作方希望將該模型應用于癌癥信號通路。”

帶領該團隊的研究科學家Andrew Blanchard表示：“對于訓練數據的規模，我們所觸及的還只是冰山一角。我們希望很快能夠使用一個包含萬億分子的數據集。

依靠全棧式解決方案

NVIDIA用于人工智能和加速計算的軟件庫幫助該團隊在短時間內完成了工作，一位評論員稱其令人驚嘆。

Glaser表示：”我們無需針對GPU的Tensor Core來全面優化我們的工作，因為你不需要專門的代碼，而只需要使用標準堆棧。

他總結了許多決賽選手的感受。“有機會參與有意義的研究，為人們的生活帶來潛在的影響，這對一個科學家來說是非常令人欣慰的。”

NVIDIA的Marc Hamilton將簡要介紹公司最新的新聞發布、創新和技術，演講之后還設有NVIDIA專家現場問答環節。

責任編輯：haq