科研之友
微信
新浪微博
Facebook
分享链接
摘要
密度泛函方法在常用的第一原理计算方法中有着计算标度低、计算精度高的特点，因此其在化学、生物、医药等领域得到了越来越广泛的应用。然而，在实际应用中，其较为高昂的计算代价对用户计算参数的决策以及计算中心的作业分配都提出了新的挑战。近期开发的基于机器学习的密度泛函计算时间预测系统，能够在算前预测实际的计算开销，预测结果的平均相对误差一般小于0.15,符合实际计算场景下的预测精度要求。文中进一步推进和完善了该预测系统，提供了多GPU并行计算功能、机器学习模型的模块化增补；将其与生物医药社区相结合，实现了对平台计算任务的实时机时显示，方便用户统筹；并基于此开发了智能负载均衡模块，可以提高超大分子及团簇体系的第一性原理并行计算效率。通过多个方面的推进，改善了预测系统的实用性，并在社区平台和并行计算方面得到了初步应用。
- 单位
