Es dauert mehrere Jahre, bis neue Werkstoffe von der Laborstufe zur kommerziellen Anwendung gelangen, wobei der größte Engpass in den wiederholten Testrunden liegt: Xinpeisen möchte mit spezialisierter Rechenleistung auf atomarer Ebene die erste Maßnahme im F&E-Prozess von „Zuerst ins Labor gehen“ zu „Zuerst einmal durchrechnen“ umgestalten.

Wie lange dauert es, bis ein neues Material vom Labor in die praktische Anwendung gelangt? Über einen sehr langen Zeitraum wurde die Antwort auf diese Frage durch die Anzahl der Experimente bestimmt – Rezepturanpassungen, Probenherstellung, Leistungstests, und nach mehreren Runden dieser Versuche sind mehrere Jahre keine Seltenheit.

Die Kosten der Trial-and-Error-Methode bestehen nicht nur aus Zeit

Die Kosten der erfahrungsbasierten Trial-and-Error-Methode zeigen sich nicht nur in den Versuchskosten. Sie kann kaum die Frage „Warum?“ beantworten – welcher mikroskopische Faktor genau dazu führt, dass eine bestimmte Rezeptur bessere Eigenschaften aufweist, lässt sich oft nicht quantitativ erklären. Eine erfolgreiche Rezeptur bleibt oft nur ein Einzelfall, kann nicht zu wiederverwendbaren Regeln verallgemeinert werden und lässt sich nur schwer systematisch optimieren.

Das bedeutet, dass jede Entwicklung neuer Materialien fast von Null ausgeht. Die Erfahrungen, die eine Forschungsgruppe sammelt, lassen sich kaum zwischen verschiedenen Materialsystemen übertragen. Ein Rezepturkonzept, das für Legierungsmaterialien funktioniert, ist nicht unbedingt für Keramikmaterialien geeignet; ein Prozessparameter, der in einem Polymersystem validiert wurde, kann im anorganischen nichtmetallischen System völlig unwirksam werden. Der Effizienzengpass der Trial-and-Error-Methode ist im Wesentlichen ein Engpass in der Art der Wissensakkumulation.

Wo steht die Berechnungsmethode derzeit?

Die Entwicklung der Computational Materials Science bietet einen neuen Ansatz für die oben genannten Probleme. Die Dichtefunktionaltheorie (DFT) und die Molekulardynamik (MD) sind zwei weit verbreitete repräsentative Berechnungsverfahren: Ersteres dient zur Lösung der Elektronenstruktur und liefert die Grundzustandseigenschaften von Materialien auf quantenmechanischer Ebene mit hoher Genauigkeit, aber der Rechenaufwand steigt sprunghaft mit der Größe des Systems an. Letzteres gibt durch Integration der Bewegungsgleichungen von Atomen das dynamische Verhalten von Materialien bei endlicher Temperatur wieder, hat niedrige Kosten für Einzelschritte und kann größere Systeme verarbeiten, aber seine Genauigkeit hängt von der Qualität der Potentialfunktion ab, und die simulierbare physikalische Zeit ist durch die Integrationsschrittweite begrenzt.

In den letzten Jahren hat die Anwendung der auf maschinellem Lernen basierenden Molekulardynamik (MLMD) ein neues Gleichgewicht zwischen Recheneffizienz und Simulationsgenauigkeit gefunden. MLMD ersetzt die traditionelle empirische Potentialfunktion durch eine mittels maschinellem Lernen trainierte Potentialfunktion, behält die Genauigkeit nahe an der DFT bei und erweitert gleichzeitig den Umfang und die Zeitskala der simulierbaren Systeme erheblich. Es ist einer der bemerkenswertesten Fortschritte in der Computational Materials Science in den letzten Jahren.

Aber nachdem die Berechnungsmethoden immer ausgereifter werden, verlagern sich die einschränkenden Faktoren allmählich von den Algorithmen auf die Hardware. Selbst der beste Algorithmus muss auf Rechenleistung ausgeführt werden, um Ergebnisse zu liefern.

Zwei Mauern: Der Engpass der allgemeinen Rechenleistung

Die atomare Simulation ist eine sehr „anspruchsvolle“ Rechenlast: große Systemgröße, viele Iterationsschritte und hoher Datendurchsatz. Am Beispiel der Molekulardynamik-Simulation muss bei einem System mit einer Größenordnung von einer Million Atomen in jedem Zeitschritt die Wechselwirkungskraft zwischen allen Atomen berechnet werden. Wenn die auf der Dichtefunktionaltheorie basierende ab-initio-Molekulardynamik verwendet wird, müssen diese Kräfte in jedem Zeitschritt durch die Lösung der Elektronenstruktur ermittelt werden, wobei der Rechenaufwand mit der Anzahl der Atome sprunghaft ansteigt.

Allgemeine CPUs/GPUs sind für allgemeine Rechenszenarien ausgelegt. Unter der allgemeinen Architektur sind „Speichern“ und „Rechnen“ von Natur aus getrennt: Daten werden im Speicher abgelegt und müssen zuerst zu den Recheinheiten transportiert werden, um an der Berechnung teilzunehmen. Der Transport selbst erzeugt keine Rechenergebnisse, aber er verbraucht tatsächliche Rechenleistung und Energie – wenn die Datendurchsatzgeschwindigkeit nicht mit den Berechnungsanforderungen Schritt halten kann, entsteht die Speichermauer; wenn der Transportenergieverbrauch mit der Systemgröße ansteigt, entsteht die Leistungsmauer.

Die Überlagerung dieser zwei Mauern führt dazu, dass Geschwindigkeit und Energieeffizienz der Materialberechnung gleichzeitig eingeschränkt sind, sodass großskalige atomare Simulationen auf allgemeiner Rechenleistung nur schwer realisiert werden können. Die Erhöhung der Hardwarespezifikationen an einzelnen Punkten – durch größere Grafikspeicher oder mehr GPUs – kann die Symptome mildern, aber das Problem nicht grundlegend lösen, da der Engpass nicht in der Menge der Hardware liegt, sondern in der Designlogik der Architektur.

Neugestaltung der Rechenleistung für das spezifische Szenario

Der von Xinpeisen gewählte Weg besteht darin, die Rechenleistung auf Architekturebene neu zu gestalten. Die Xinpeisen APU (Atomistic Processing Unit, spezielle Recheneinheit für die Berechnung atomarer Materialien) verwendet eine originelle „nicht-von-Neumann“-spezielle Chiparchitektur, sodass Daten nahe am Speicherort an der Berechnung teilnehmen – das ist der Kernansatz dieser Architektur auf unterster Ebene und der Schlüssel zur Reduzierung des Aufwands für den Datentransport.

Spezialisiert bedeutet nicht ausschließend. Der He-Server mit der Xinpeisen APU als Kern verwendet eine ultra-heterogene Rechenarchitektur (Kooperation von CPU + GPU + APU), die KI-Modelltraining, KI-Modellinferenz, DFT-Berechnungen und Molekulardynamik-MD-Berechnungen unterstützen kann. Das bedeutet, dass die APU bei der Verarbeitung spezialisierter Lasten wie atomaren Simulationen die Hauptberechnungsaufgabe übernimmt; bei Bedarf an allgemeiner Berechnung arbeiten CPU/GPU wie gewohnt. Die zwei Arten von Rechenleistung werden auf demselben Server koordiniert und ersetzen sich nicht gegenseitig.

Nach Angaben des Verantwortlichen von Xinpeisen ist in wissenschaftlichen Berechnungsszenarien auf atomarer Ebene wie der MLMD und der DFT die Berechnungsgeschwindigkeit der APU im Vergleich zu allgemeinen CPUs/GPUs (Vergleichsbasis: 1 A800-GPU mit 80 GB Grafikspeicher) deutlich erhöht und der Energieverbrauch deutlich gesenkt. Am Beispiel der Stoßsimulation einer hochentropischen Keramik mit etwa 1,1 Millionen Atomen kann diese Stoßsimulation mit nur einem Rechenknoten im He-Cluster abgeschlossen werden; in diesem Szenario betragen die Kosten für das Training der Potentialfunktion mittels der maschinellen Lernmethode von Xinpeisen nur ein Drittel des traditionellen Verfahrens.

Neben der Rechenleistung: Werkzeuge und Dienstleistungen

Rechenleistung ist nur die erste Hürde. Damit der Paradigmenwechsel wirklich stattfinden kann, sind zwei weitere Dinge erforderlich: Erstens Werkzeuge, die es Forschern ermöglichen, nicht mehr viel Zeit mit manuellem Modellieren, wiederholter Parameteranpassung und Fehlerbehebung zu verbringen; zweitens Dienstleistungen, die sicherstellen, dass die Berechnungsergebnisse zuverlässig und nachvollziehbar sind.

Die entsprechenden Angebote von Xinpeisen in diesen zwei Richtungen sind der intelligente Agent (Xinpeisen · MaterPlato) und die Berechnungsdienstleistung (Xinpeisen · SwiftMater): Ersteres übernimmt das automatische Modellieren, die Parameteroptimierung, die Fehlervorhersage und die unterstützende Nachbearbeitung, um die Nutzungshürden zu senken; Letzteres wird von einem vollzeitbeschäftigten technischen Team mit Master- und Doktorgraden direkt für die Nutzer erbracht. Zusammen mit ihrem Super-Terminal (Xinpeisen · MaterHaven) bilden sie einen „dreiteiligen geschlossenen Kreislauf“.

Der Wandel des Paradigmas

Der Übergang des Paradigmas der Materialentwicklung von der erfahrungsbasierten Trial-and-Error-Methode zur wissenschaftlichen Berechnung wird nicht durch eine einzelne Produktveröffentlichung abgeschlossen. Er ähnelt eher einer langsam veränderlichen Größe: Wenn der Algorithmus um einen Schritt ausgereifter wird, die Rechenleistung um einen Schritt voranschreitet und das Werkzeug um einen Schritt benutzerfreundlicher wird, kann sich die Arbeitsgewohnheit der Forscher entsprechend geringfügig ändern. Eine langsam veränderliche Größe bedeutet aber nicht Stillstand – jede Senkung der Hürde verkürzt diese Distanz.

Der Maßstab für diesen Übergang ist eigentlich sehr einfach: Wenn ein Forscher auf ein Materialproblem stößt, ist seine erste Reaktion, ins Labor zu gehen, um eine Runde Experimente durchzuführen, oder zuerst am Computer zu rechnen? Woher diese erste Reaktion kommt, hängt davon ab, ob drei Dinge im täglichen Prozess etabliert sind: Ob die Rechenleistung jederzeit verfügbar ist, ob für die Werkzeuge keine zusätzlichen Lernkosten anfallen und ob die Berechnungsergebnisse zuverlässig und nachvollziehbar sind. Diese drei Dinge entsprechen genau den drei Gliedern Rechenleistung, Werkzeuge und Dienstleistungen; der Übergang des Paradigmas der Materialentwicklung zeigt sich schließlich in der Änderung dieser ersten Reaktion.