Related Resources
模拟/建模/设计

借助 NVIDIA Alchemi，利用 AI 驱动仿真加速化学与材料发现

2025年 11月 18日
By , , , and

几乎所有制造产品都依赖于化学与材料科学的支持。然而，新发现不仅成本高昂、耗时漫长，还常常受限于试错法。传统的计算方法，例如基于经典力场的分子动力学，往往难以准确预测化学性质与稳定性。

NVIDIA ALCHEMI（化学和材料创新 AI 实验室）为化学与材料科学领域的研究人员及开发者提供了一系列基于 NVIDIA 加速计算平台优化的 NIM 微服务与工具包。本文将介绍两款全新的原子模拟 NIM 微服务：NVIDIA Batched Conformer Search (BCS) NIM 与 NVIDIA Batched Molecular Dynamics (BMD) NIM。

利用 NVIDIA Alchemi 加速构象搜索与分子动力学模拟

分子具有多种三维空间构型，每种构型都表现出不同的性质和稳定性。识别能量较低的构象对于准确预测化学与材料特性至关重要。

ALCHEMI BCS NIM 能够高效识别分子的低能量构象并进行排序。传统的量子化学方法在构象优化中计算成本较高，而 BCS NIM 采用 AIMNet2 作为机器学习原子间相互作用势（MLIP），显著加快了能量优化过程，大幅缩短了生成低能量构象所需的时间。相比传统量子化学方法，该技术在保持接近其计算精度的同时，提升了计算效率，有助于开展高通量的异构体搜索，使研究人员能够快速评估分子在热力学上可及的异构体。

BCS NIM 分为三个步骤：

  • 采用 RDKit 或 nvMolKit 库，可根据分子中可旋转键的数量，从 SMILES 格式生成多个初始构象，并支持指定或估算构象的最大数目。
  • 随后，利用 AIMNet2 模型对这些构象进行异步优化，使其达到局部能量最低状态。优化过程持续进行，直至任意原子上的最大受力低于 0.005 eV/Å。
  • 最后，通过验证原子间距离以确认键的连接性，剔除能量高于用户设定阈值的构象，并依据原子间距离的相对差异去除重复构象，从而完成对构象集合的筛选与整理。
A bar chart showing that generating more conformers per molecule increases success rates of finding low-energy conformers. A bar chart showing that generating more conformers per molecule increases success rates of finding low-energy conformers.
图1。按可旋转键数量和生成构象数计算的构象能量低于3 kcal/mol的分子百分比

图1显示，随着分子复杂性的增加（即可旋转键数量增多），为充分采样低能量构象，所需的构象生成数量也随之上升。例如，一个含有12个可旋转键的分子，可能需要生成多达1000个构象，以确保覆盖能量最低结构周围约 3 kcal/mol 范围内的所有构象。这凸显了高效构象搜索方法的重要性。使用 BCS NIM 方法时，在 NVIDIA H100 GPU上，每个构象的平均优化时间仅为10至100毫秒，且 Fmax = 0.005 eV/。

在许多工作流程中，构象搜索常与分子动力学（MD）模拟相结合。为满足高通量仿真的需求，BMD NIM 采用了 MACE-MPA-0、TensorNet 和 AIMNet2 等机器学习力场（MLIP）。其应用涵盖大规模原子系统的高通量 MD 模拟，以及需要高通量异步模拟的代理式 AI 工作流。

视频1：基于 ALCHEMI BMD NIM 的分子动力学模拟

BMD NIM 的主要特性包括：

  • 动态批处理：通过动态批处理原子系统优化 GPU 利用率，实现多个模拟的并发处理，从而显著提升吞吐量。
  • 基于 GPU 的积分器：采用 Langevin 温控器和蒙特卡罗气压计进行温度与压力控制，支持在原子数、体积和温度恒定（NVT）或原子数、压力和温度恒定（NPT）条件下执行模拟。
  • MLIP 支持：兼容 MACE-MPA-0、TensorNet-MatPES-r2SCAN-v2025.1、TensorNet-MatPES-PBE-v2025.1、AIMNet2、AIMNet2-NSE 以及 AIMNet2-CPCM 等多种机器学习原子势模型。
Benchmark charts for molecular dynamics simulation with MACE-MPA-0 and TensorNet MatPES-PBE-v2025.1 by NVIDIA GPU models. Benchmark charts for molecular dynamics simulation with MACE-MPA-0 and TensorNet MatPES-PBE-v2025.1 by NVIDIA GPU models.
图 2。基于 MACE-MPA-0 和 TensorNet-MatPES-PBE-v2025.1 的 ALCHEMI BMD NIM 性能基准测试结果

图2展示了随着批量大小增加带来的性能提升（以每个原子每步所需时间衡量），凸显了动态批处理的优势。新一代 NVIDIA GPU（如 NVIDIA B200）能够显著提升性能并支持更大的批量规模。例如，在搭载 TensorNet 的单个 NVIDIA HGX B200 GPU上，每个原子每步仅需1.4秒，可实现对超过35万个原子的模拟。基准测试基于OMat24数据集中的批量随机采样结构进行。

加速 OLED 材料与沉浸式冷却液的发现

借助 ALCHEMI 的全新功能，NVIDIA 客户正取得突破性进展。

Universal Display Corporation（UDC）正在利用 ALCHEMI BCS 和 BMD NIM 微服务加速 OLED 分子的发现。他们预测热处理稳定性的速度比传统的密度泛函理论（DFT）快一万倍，同时达到了与之接近的准确性。借助这一技术，UDC 研究人员能够探索更广阔的解决方案空间，从而显著提升发现高性能 OLED 分子的机会。

A diagram illustrating UDC’s OLED two-step virtual screening workflow of using BCS NIM to generate conformers and BMD NIM to predict properties, 10,000X faster than DFT. A diagram illustrating UDC’s OLED two-step virtual screening workflow of using BCS NIM to generate conformers and BMD NIM to predict properties, 10,000X faster than DFT.
图3。UDC 使用 NVIDIA Alchemi BCS 和 BMD NIM 进行 OLED 材料研发

从候选分子池出发，研究人员利用 BCS NIM 识别低能量构象并进行排序。针对每个构象构建模拟单元，并通过分子动力学（MD）模拟评估其热处理稳定性。借助批处理与机器学习势函数（MLIP），可高效且精确地评估数千种可能结构。ALCHEMI 并非单独模拟每个分子，而是与 BCS NIM 和 BMD NIM 并行执行大规模模拟，显著提升计算通量与研发效率。

另一家合作伙伴 ENEOS 采用了一种结合 BCS NIM、BMD NIM 和批量 DFT 微服务的多阶段工作流程，成功筛选出 1000 多种具有潜力的环保型、非 PFAS 浸入式冷却液。理想的浸入式冷却液需具备低介电常数以维持信号完整性，同时具备高闪点以降低可燃风险。该研究从一千万个分子出发，首先利用 BCS NIM 计算其中一百万个分子的偶极矩。随后，基于知识引导的图转换器（KPGT）模型进行预训练，用于预测其余 900 万个分子的偶极矩，并仅保留偶极矩较低的分子进入后续筛选。

Diagram showing ENEOS’s workflow for discovering immersion cooling fluids - candidate molecules are sequentially filtered for low dipole moment, low polarizability, low dielectric constant, and high flash point. Diagram showing ENEOS’s workflow for discovering immersion cooling fluids - candidate molecules are sequentially filtered for low dipole moment, low polarizability, low dielectric constant, and high flash point.
图4：ENEOS借助NVIDIA Alchemi NIM和微服务技术，加速浸入式冷却液的研发进程 和微服务

批量DFT微服务用于对低极化性分子进行计算与筛选，随后通过 BMD NIM 方法计算体相介电常数，并筛选出介电常数较低的候选分子。最后，采用 KPGT 模型预测其闪点。该工作流使 ENEOS 能够在短短三周内筛选出1000多种兼具低介电常数和高闪点的浸入式冷却液候选物质。

了解详情

如果您将参加 Supercomputing 25，请前往 NVIDIA 展台聆听 ENEOS 的演讲，并观看 NVIDIA ALCHEMI 的演示。

阅读 NVIDIA 加速计算如何借助 SES AI 及 NVIDIA 驱动的电动汽车创新，推动材料发现的科学突破 和 加速交通运输的未来发展 并观看 ALCHEMI 视频.

感谢
感谢 Universal Display Corporation 的 George Fitzgerald、Sean Ryno、Gbolade Kayode 和 Darice Liu，ENEOS的 Hideki Ono、Hiroyuki Tsujimoto、Kentaro Yomogita、Yoichiro Kawami 和 Masanao Goto，以及NVIDIA的 Saee Paliwal 和 Srimukh Veccham 所做出的贡献。

 

 

标签

模拟/建模/设计 | HPC/科学计算 | Intermediate Technical | NIM | 新闻

关于作者

Wen Jie Ong 是 NVIDIA ALCHEMI 的高级产品经理。他受训成为有机和聚合物化学家，并在麻省理工学院获得博士学位，在麻省理工学院发现了一种新型动态共价化学。他还是一位科学家兼企业家，拥有将新型聚合物技术商业化的经验。最近，他担任 McKinsey 的副合作伙伴，为化学品和技术公司提供增长和创新方面的建议。
Justin S.Smith 是 NVIDIA 化学和材料科学 AI 部门的高级开发者关系经理。他是一位计算化学家，于 2018 年获得佛罗里达大学博士学位，从事原子模拟 AI 研究。随后，他成为洛斯阿拉莫斯国家实验室的一名工作人员科学家，专注于 ML 在反应化学和材料科学中的应用。
Kibibi Moseley 是 NVIDIA 科学与数据中心基础设施 AI 部门的高级产品营销经理。此前，她曾担任英特尔数据中心和人工智能部门的高级产品营销经理，负责推动第二代、第三代和第四代英特尔至强可扩展处理器和产品组合产品的关键发布工作流。她拥有学士学位。来自加州大学伯克利分校的工业工程专业博士学位。管理科学与工程专业，斯坦福大学工商管理硕士学位。
Roman Zubadyuk 是 NVIDIA 化学和材料科学领域的 AI 高级应用工程师。他是一位计算化学家，2019 年获得了杰克逊州立大学的计算和数据支持型科学与工程博士学位。在加入 NVIDIA 之前，他在北卡罗来纳大学和卡内基梅隆大学完成博士后研究，专注于机器学习原子间交互潜力的开发和应用。
Nikita Fedik 是 NVIDIA 化学和材料科学 AI 高级技术营销工程师，专门从事 AI 加速的计算化学和科学可视化工作。他拥有犹他州立大学物理化学博士学位，曾在洛斯阿拉莫斯国家实验室担任职员科学家。