Jun, 2024
原子级材料建模中基于图的模型的可扩展训练:以 HydraGNN 为例
Scalable Training of Graph Foundation Models for Atomistic Materials Modeling: A Case Study with HydraGNN
Massimiliano Lupo Pasini, Jong Youl Choi, Kshitij Mehta, Pei Zhang, David Rogers...
TL;DR基于 HydraGNN 的可扩展图基础模型 (GFM) 的开发和训练,具有高度的训练规模和数据多样性,以及并行训练算法的创新;我们使用超级计算资源展示了多个优化策略和性能,开发出适用于材料发现和设计的 AI 加速的 GFM 模型。