路易莎·克劳福 2024 年 11 月 18 日 22:50
NVIDIA 推出 cuEquivariance，一个新的数学库，旨在增强科学发现中的 AI 模型，解决对称变换和计算效率的挑战。
NVIDIA 发布了 cuEquivariance，一个尖端的数学库，旨在增强用于科学研究的 AI 模型，特别是在药物和材料发现方面。这个库旨在解决与等变神经网络（ENNs）相关的复杂挑战，这对于处理 AI 模型中的对称变换至关重要。
提升 AI 以实现科学精确性
科学领域中的 AI 模型通常预测复杂的自然现象，例如生物分子结构或新固体特性，这对于药物发现等领域的进步至关重要。然而，高精度科学数据的稀缺使得需要创新的方法来提高模型的准确性。NVIDIA 的 cuEquivariance 引入了一种新方法，将科学问题的自然对称性纳入 AI 模型，增强其稳健性和数据效率。
解决 ENN 挑战
等变神经网络在维持输入和输出之间的稳定关系方面至关重要，尤其是在对称变换下。这些网络旨在不论其方向识别模式，使其在涉及 3D 模型的任务中不可或缺，例如分子性质预测。然而，构建 ENNs 复杂且计算要求高。NVIDIA 的 cuEquivariance 库旨在通过提供加速这些网络的 CUDA 组件来简化这一过程，优化 NVIDIA GPU 的性能。
用 cuEquivariance 创新的解决方案
cuEquivariance 库引入了分段张量积（STP）框架，该框架组织与不可约表示（irreps）的代数运算，以优化计算效率。通过利用专门的 CUDA 核心和核心融合技术，cuEquivariance 显著加速了 ENNs 的性能，减少了内存开销并提高了处理速度。
这一优化对于像 DiffDock 这样的 AI 模型至关重要，该模型预测蛋白质-配体结合姿势，以及在材料科学中用于分子动力学模拟的 MACE。通过重组内存布局和增强 GPU 处理能力，cuEquivariance 在这些模型中显示出显著的性能提升，如在各种 NVIDIA GPU 的比较研究中所强调的。
对科学研究的影响
通过解决理论和计算挑战，cuEquivariance 使研究人员能够开发出更准确和可推广的模型。其在 DiffDock 和 MACE 等流行模型中的整合展示了其推动创新和加速科学发现的潜力。预计这一进展将促进 AI 在研究和企业应用中的更广泛采用。
有关 cuEquivariance 的更多信息，请访问 NVIDIA 部落格。
图片来源：Shutterstock
来源链接
<p>这篇文章 NVIDIA 推出 cuEquivariance 以彻底改变药物和材料发现中的 AI 首次出现在 CoinBuzzFeed.</p>
