GROMACS con ML

GROMACS 2026: Revisión de la NNP-Interface y Dinámicas ML Híbridas

El ciclo de lanzamiento de GROMACS 2026 marca una transición desde la descarga experimental hacia una GMX_ML NNP-interface lista para producción. Este marco permite la integración directa de Potenciales de Redes Neuronales (NNP) en el paso de integración MD, soportando arquitecturas como DeepPot-SE, Allegro y MACE 📑. La implementación aprovecha las APIs C++ de LibTorch y TensorFlow para tratar los modelos de ML como proveedores nativos de fuerzas 🧠.

Integración y Flujos de Trabajo de Aprendizaje Activo

GROMACS ha estandarizado el bucle de Active Learning (AL), especialmente mediante la integración estrecha con el ecosistema DeepMD-kit. Esto permite el refinamiento de modelos en bucle cerrado, donde las desviaciones predictivas activan ciclos autónomos de recolección de datos y reentrenamiento 📑.

• Mezcla Híbrida de Fuerzas: Soporta la aplicación concurrente de campos de fuerza clásicos y potenciales de ML (ML/MM), facilitando el modelado multiescala con garantías de conservación de energía 📑.
• Soporte PIMD: La Dinámica Molecular de Integral de Trayectoria (PIMD) ahora se acelera mediante potenciales de ML, permitiendo la inclusión de efectos cuánticos nucleares a una fracción del coste tradicional 📑.
• Latencia de Inferencia: Los benchmarks en hardware NVIDIA H100/B200 demuestran que la interfaz GMX_ML añade menos del 5% de sobrecarga al tiempo total por paso para modelos tensoriales optimizados 📑.

⠠⠉⠗⠑⠁⠞⠑⠙⠀⠃⠽⠀⠠⠁⠊⠞⠕⠉⠕⠗⠑⠲⠉⠕⠍

Integridad Numérica y Escalado de Rendimiento

El núcleo de GROMACS 2026 mantiene una adhesión estricta a las restricciones físicas mientras escala a través de miles de nodos GPU utilizando una estrategia de descomposición de dominio MPI/OpenMP unificada 📑.

• Precisión del Tensor de Virial: El cálculo preciso del tensor de virial dentro de la NNP-interface permite simulaciones estables en el ensemble NPT, aunque la precisión sigue dependiendo de la calidad de las derivadas del modelo 🧠.
• Optimización con CUDA Graph: La implementación de CUDA Graphs para llamadas de inferencia de ML reduce la sobrecarga de lanzamiento en el lado de la CPU, un factor crítico para sistemas de pequeña a mediana escala 🧠.

Guía de Evaluación

Los evaluadores técnicos deben priorizar la validación de la precisión del tensor de virial, ya que este es el principal punto de fallo en simulaciones NPT impulsadas por ML. Se recomienda habilitar las optimizaciones de CUDA Graph para mitigar la latencia de lanzamiento de kernels. Para trayectorias de larga duración, es esencial monitorizar la deriva de energía para verificar la estabilidad numérica de la arquitectura NNP específica desplegada 🌑.