JACS Au | 面向大规模分子动力学的消息传递神经网络势的高效并行

本文背景在于机器学习势在原子模拟中取得成功，但消息传递神经网络势因半局域架构难以并行计算，限制了大体系应用。研究目的：中国科学技术大学蒋彬教授团队提出了一种高效通用的MPNN并行方案，通过仅在局域近邻原子间通信并避免冗余计算，实现了关于消息传递次数的线性计算标度。基于REANN-MPI模型在体相银、液态水、高熵合金等体系测试，展示了与CPU/GPU数量强相关、与原子数弱相关的优异性能，成功对高达1亿原子的体系进行模拟，速度远超主流MPNN模型。结论：该并行方案显著拓展了MPNN势的应用范围，易于推广至其他MPNN模型，未来有望推动大规模复杂体系的分子动力学模拟。