[論文レビュー] wfl Python Toolkit for Creating Machine Learning Interatomic Potentials and Related Atomistic Simulation Workflows

Elena Gelžinytė, Simon Wengert+5 more|arXiv (Cornell University)|Jun 20, 2023

Machine Learning in Materials Science被引用数 4

ひとこと要約

この論文では、高スループットな機械学習原子間ポテンシャル（MLIP）のフィッティングおよび原子論的シミュレーションを目的とした、Pythonベースのワークフローマネジメントツールキットwflを紹介する。ASE（Atomic Simulation Environment）への軽量な拡張として構築されたwflは、自動並列化、ExPyReを介したリモート実行、多様な計算タスクの柔軟な自動化を可能にし、MLIP開発に特有の高ボリューム・低コストな評価に不適な既存のワークフローツールが欠いているという重要な空白を埋める。

ABSTRACT

Predictive atomistic simulations are increasingly employed for data intensive high throughput studies that take advantage of constantly growing computational resources. To handle the sheer number of individual calculations that are needed in such studies, workflow management packages for atomistic simulations have been developed for a rapidly growing user base. These packages are predominantly designed to handle computationally heavy ab initio calculations, usually with a focus on data provenance and reproducibility. However, in related simulation communities, e.g. the developers of machine learning interatomic potentials (MLIPs), the computational requirements are somewhat different: the types, sizes, and numbers of computational tasks are more diverse, and therefore require additional ways of parallelization and local or remote execution for optimal efficiency. In this work, we present the atomistic simulation and MLIP fitting workflow management package wfl and Python remote execution package ExPyRe to meet these requirements. With wfl and ExPyRe, versatile Atomic Simulation Environment based workflows that perform diverse procedures can be written. This capability is based on a low-level developer-oriented framework, which can be utilized to construct high level functionality for user-friendly programs. Such high level capabilities to automate machine learning interatomic potential fitting procedures are already incorporated in wfl, which we use to showcase its capabilities in this work. We believe that wfl fills an important niche in several growing simulation communities and will aid the development of efficient custom computational tasks.

研究の動機と目的

• 機械学習原子間ポテンシャル（MLIP）開発に特有の計算的要件に適合したワークフローツールの不足を解消すること。
• 多数の低コストで高頻度の力およびエネルギー評価と、少数の高コストなab initio基準計算を効率的かつスケーラブルに実行できること。
• 柔軟で拡張可能な複雑な原子論的シミュレーションワークフローの自動化を可能にする、開発者フレndsリーな低レベルフレームワークを提供すること。
• ASEとシームレスに統合され、ExPyReパッケージを介した分散コンピューティング環境におけるローカルおよびリモート実行をサポートすること。

提案手法

• wflは、Atomic Simulation Environment（ASE）への軽量なPython拡張として実装されており、既存のASEベースのワークフローへの直接統合を可能にしている。
• 多様なシミュレーションタスク間でのデータ処理を標準化するための入出力抽象化レイヤーを提供している。
• 10〜100,000個の原子構造の集合に対して、計算コストが数マイクロ秒から数日まで変動するワークフローの自動並列化をサポートしている。
• ExPyRe（SSHを介してリモートクラスタ上でPython関数をキューイングして実行する独立型Pythonパッケージ）を介してリモート実行が可能である。
• 開発者による拡張性を考慮した設計となっており、低レベルのプリミティブの上に高レベルの抽象化を構築できる。
• HPC環境との統合をサポートし、MLIPフィッティングパイプラインの再現可能でスケーラブルな実行を可能にしている。

実験結果

リサーチクエスチョン

• RQ1 MLIP開発に特有の計算ワークロード（従来のab initioワークフローと比較して、はるかに多数の低コスト評価を含む）に対応するため、ワークフローマネジメントツールはどのように適合されるべきか？
• RQ2 高スループット環境における多様な原子論的シミュレーションタスクの効率的で柔軟かつスケーラブルな自動化を実現するためのアーキテクチャ的設計は何か？
• RQ3 軽量でASEに統合されたツールキットは、パフォーマンスや再現性を損なわずに、ローカルおよびリモート実行を両立できるか？
• RQ4 開発者指向のフレームワークは、より剛性の高い既存のワークフローシステムに比べて、カスタムMLIPフィッティングパイプラインにおいてどれほど優れた性能を発揮できるか？

主な発見

• wflは、10〜100,000個の原子構造にわたる原子論的ワークフローの効率的かつ自動並列化を可能にし、計算タスクの実行時間は数マイクロ秒から数日までカバーしている。
• ExPyReとの統合により、HPCクラスタ上でPython関数をシームレスにリモート実行でき、大規模シミュレーションにおけるスケーラビリティが著しく向上した。
• データ生成、モデル学習、検証を含むMLIPフィッティングパイプラインの完全な自動化が可能で、ユーザーの干渉を最小限に抑えている。
• wflの軽量でモジュラーな設計により、高水準のユーザーフレンドリーなツールへの拡張が可能でありながら、高度な開発者には低レベルの制御を維持している。
• ベンチマークの結果、wflはMLIPワークフローの混合ワークロード特性、特に高ボリューム・低コスト評価の管理において、既存ツールを上回る性能を示している。
• フレームワークはプロダクション環境で使用可能であり、すでに活発な研究プロジェクトでも利用されており、その堅牢性と実世界への適用可能性が裏付けられている。