J. Chem. Theory Comput. | NVNMD-v2：面向分子动力学的非冯·诺依曼架构深度学习新范式

DRUGONE

分子动力学（MD）模拟已成为探究原子相互作用的关键计算显微镜，广泛应用于催化、能源存储和生物技术等领域。然而，现有的机器学习分子动力学（MLMD）框架在精度、可扩展性和能效之间存在三难困境，尤其在高熵合金、多铁钙钛矿等成分复杂体系中尤为突出。研究人员提出了 NVNMD-v2，这是一种算法-硬件协同设计的体系结构，将广义深度神经网络势（GDNNP）与存算一体（PIM）加速器结合。相比只能处理四元体系的 NVNMD-v1，NVNMD-v2 借助优化的类型嵌入描述符，可支持最多 32 种元素体系，消除了随元素数增加的参数扩展问题。在单个 FPGA 上，NVNMD-v2 保持了接近 DFT 的精度，并实现了单位原子平摊计算代价不随系统规模增加而上升的特性，可支持高达 2000 万原子模拟，计算效率比 NVIDIA V100 上的 DeePMD 提升约三数量级，同时能耗降低约 120 倍。这一进展为从半导体异质结到生物分子组装体的多元素体系提供了量子级精度的可扩展分子动力学模拟。

MD 模拟在材料科学、生物物理、化学、物理和生物医学等领域不可或缺，其预测精度依赖于势能面（PES）的准确性。第一性原理分子动力学（AIMD）无需经验参数，能够提供高保真结果，但计算代价极高，只能处理约千原子、皮秒级时间尺度。经典分子动力学（CMD）则计算高效，却难以捕捉量子效应，在复杂体系中转移性和预测性不足。

MLMD 借助神经网络势函数（NNPs）在原子能量预测上可接近 DFT 精度，计算效率比 AIMD 高出数个数量级。近期如 CHGNet、MACE、DPA-2 等预训练框架扩展了元素覆盖范围，但在大规模体系模拟中仍受制于算力和存储瓶颈。传统 von Neumann 架构因“内存墙”问题而效率受限，超过 90% 的时间与能耗用于数据传输。非冯·诺依曼（NvN）架构通过存算融合极大降低了数据移动延迟，为大规模 DNNP 推理提供了并行能力。这为 NVNMD-v2 的提出奠定了基础。

结果

模型设计与方法

NVNMD-v2 引入了 广义深度神经网络势（GDNNP），结合相对坐标和可转移类型嵌入，实现了从 4 元素到 32 元素体系的统一建模，并保持 DFT 级精度。硬件架构上，NVNMD-v2 将存算一体加速处理单元（APU）与主机处理单元（HPU）协作，前者专注于势能、原子力与应力计算，后者负责数值积分与任务调度。通过量化神经网络与硬件友好的激活函数设计，模型在 FPGA 上实现了高效推理。

精度表现

研究人员在单质金、二元化合物 GeTe、AgO、多元素药物分子、铁电钙钛矿以及半导体体系上测试，NVNMD-v2 的能量与力预测误差与 DeePMD 相当，甚至在成分复杂体系中表现更优。对 GeTe 的热导率模拟显示出与实验及其他高精度模型一致的温度依赖趋势。对 Au 晶体的冲击压缩模拟也展示了 NVNMD-v2 在极端条件下的可靠性。

效率与可扩展性

NVNMD-v2 在单 FPGA 上实现了 2000 万原子体系的模拟，而 V100 GPU 上的 DeePMD 受限于显存只能处理约 6 万原子。NVNMD-v2 的计算效率比 DeePMD 快 20–80 倍，能耗降低约 120 倍，且在元素种类增加到 32 时仍保持计算代价稳定，而 DeePMD 计算开销随元素数呈线性增长。

讨论

NVNMD-v2 在架构与算法协同设计方面实现了突破：

• 复杂度优化：通过类型嵌入与优化描述符，避免了传统模型随元素数增加而导致的复杂度线性膨胀，实现了常数级 O(1) 复杂度。
• 硬件友好设计：轻量化量化神经网络、分段线性激活函数与指数预对齐技术，使模型更适合硬件加速而不损失精度。
• 存算一体架构：APU 与 HPU 协同，极大减少了数据传输开销，实现了百倍能效提升。

未来，研究人员认为 NVNMD 可进一步拓展至全元素覆盖，结合 ASIC 专用芯片有望再提升 1–2 个数量级性能，同时整合长程相互作用建模，以全面替代混合方法。NVNMD-v2 的设计不仅适用于高熵合金、铁电多元钙钛矿和半导体，还将在药物设计和生物分子模拟等领域展现潜力，为下一代功能材料与器件的计算发现提供强大工具。

整理 | DrugOne团队

参考资料

NVNMD-v2: Scalable and Accurate Deep Learning Molecular Dynamics Model Based on Non-Von Neumann Architectures. Xiaoyun Yu, Guang Yang, Zhuoying Zhao, Junhua Li, Xinyu Xiao, Xin Zhang, Jie Liu, and Pinghui Mo. Journal of Chemical Theory and Computation.

DOI: 10.1021/acs.jctc.5c01050

内容为【DrugOne】公众号原创｜转载请注明来源