追記（2025-12-13）
本シリーズは方針を更新し、まず LLZO粒界におけるLi偏析・集積（短絡の前駆現象） を優先して解析します。最新ロードマップは 研究ノート（ハブ） をご覧ください。
本稿の内容（LAMMPS + Allegro のGPUスケーリング実測）は、粒界編でもそのまま基礎ベンチとして利用します。

PyTorch で学習した ML-IAP（Allegro）モデルを LAMMPS に投入し、まずは 単一ノードでの GPU スケーリング実測（1GPU / 4GPU）を取得しました。次のステップとして、H200 NVL（4GPU / 8GPU）でも同一入力で再計測し、NVLink/NVSwitch 環境でのスケーリングを公開していきます。

1. 実行条件

1.1 目標シナリオ（本稿で目指す到達点）

  • LLZO 粒界（grain boundary）を含む長時間 MD（NVT、数 ns クラス）
  • 温度 : 300 K / 500 K 比較
  • デバイス : H200 NVL（4 GPU / 8 GPU）
  • 解析 : Li の偏析・拡散経路・クラスター（短絡の前駆現象）を “回せる 3D” で可視化
  • （後続ステップ）粒界で得た知見（偏析・局在・拡散）を、LLZO/Li 界面シナリオ（短絡/フィラメント理解）へ接続

1.2 今回の実測ベンチ（A100 PCIe ×4 単一ノード）

  • 目的 : LAMMPS + Allegro の 1GPU / 4GPU スケーリングを実測し、基礎スループットを確定
  • ハードウェア : NVIDIA A100 80GB PCIe ×4（単一ノード）
  • LAMMPS : LAMMPS (10 Sep 2025)
  • ML-IAP : Allegro（NequIP）TorchScript モデル（.nequip.pth）
  • 実行形態 : MPI ランク = GPU 枚数、OpenMP = 1
  • 入力 : DeepMD 由来の LAMMPS 入力を Allegro 用に変換した in.allegro_bench.lmp
  • ステップ数 : 200,000 steps

※ 本稿タイトルでは Kokkos にも触れていますが、今回の A100 実測は「単一ノード GPU スケーリングの基礎値」を出す目的であり、ボトルネックは主に ML-IAP（pair 計算）側にあります。次回の H200 NVL（4/8GPU）追記では、NVLink/NVSwitch とあわせて Kokkos 設定・実行条件も整理して提示します。あわせて、粒界編（Li偏析）で必要になる大規模セルへ展開する前提として、本稿ベンチを“比較軸”として維持します。

2. 速度とスケーリング（実測）

LAMMPS ログの Loop time と Performance（katom-step/s）から、1GPU と 4GPU のスループットを比較しました（同一入力・同一ステップ数）。

GPUs Steps Loop time [s] ns/day timesteps/s katom-step/s Total wall time
1 200000 8166.02 2.116 24.492 113.666 2:16:08
4 200000 2468.72 7.000 81.014 377.848 0:41:11

※ 比較は「同一入力・同一ステップ数」で実施し、スループットは LAMMPS が出力する Performance（katom-step/s）表記に従っています。

Speedup (4GPU / 1GPU) = 3.324×（katom-step/s 基準）
Scaling efficiency = 83.1%（= Speedup / 4）

この結果は A100 PCIe（NVLink なし）での単一ノード基礎スケールです。次は同一入力・同一モデルで H200 NVL（4GPU / 8GPU）を測り、NVLink/NVSwitch 環境でスケーリングがどこまで伸びるかを実測で示します（本稿へ追記予定）。このスケーリング実測は、粒界×Li偏析（前駆現象）を大規模に回すための基盤データとして位置づけます。

3. 可視化例

Li イオン 経路 3D HTML を見る

4. まとめ

QE → ML-IAP（Allegro）→ LAMMPS の流れを一本化することで、DFT→AI-MD の更新サイクルを高速化できます。
今回の実測では、A100×4 単一ノードにおいて 4GPU で 3.324×（効率 83.1%）のスケーリングを確認しました。
次の更新では、H200 NVL（4GPU/8GPU）での同一ベンチを追加し、NVLink/NVSwitch 環境での実効性能を公開します。
また本シリーズは方針更新し、まず LLZO粒界×Li偏析（短絡の前駆現象）を優先して進めます（最新ロードマップはハブ記事参照）。
Founding 5 PoC では、この AI-MD 環境を無償で試用いただけます。

現在の進行状況と今後の予定（Ep3-R アップデート）

本シリーズは方針を更新し、まず LLZO粒界×Li偏析（短絡の前駆現象） を優先して解析します（ハブ記事）。その上で、本稿では「ML-IAP（Allegro）＋ LAMMPS」による大規模 AI-MD を回すためのGPUスケーリング基盤を固めています。現在は GPU 版 Quantum ESPRESSO 7.4.1 による DFT AIMD と、その出力から energy・forces・stress を含むラベル付き extxyz データを生成するパイプライン整備を進めています。並行して、Allegro の試験学習モデルを LAMMPS に投入し、入出力形式・力の整合性・温度制御などの AI-MD フロー検証を段階的に行っています。

今回のアップデートでは、DeepMD 由来の LAMMPS 入力を Allegro 用に置換したベンチ入力を用いて、A100×4 単一ノードで 1GPU / 4GPU の実測スループットを取得しました（4GPU: 377.848 katom-step/s）。この「同一入力で比較できるベンチの型」をそのまま H200 NVL（4GPU/8GPU）へ持ち込み、NVLink/NVSwitch 環境でのスケーリングを実測で追記していきます。

今後は、DFT データセットをまず LLZO 粒界（grain boundary）へ拡張（優先）し、ついでバルク LLZO・バルク Li・温度や Li カバー率の異なる界面、軽いひずみを加えた構造へと順次拡張していきます。それらに対応する ML-IAP モデルを再学習しながら、H200 NVL 構成での長時間 NVT シミュレーションと 3D 可視化へ踏み込みます。最終的には、粒界で得た知見（偏析・局在・拡散）を界面シナリオへ接続し、短絡に至るメカニズムを “回せる 3D” 可視化とあわせて順次反映していく予定です。