Ep3-R｜Large-Scale MD with LAMMPS (Kokkos + ML-IAP)

PyTorch で学習した ML-IAP (Allegro) モデルを LAMMPS (Kokkos) へ投入し、8 GPU スケーリングで LLZO/Li 界面の長時間 MD を実行。Li イオン 拡散経路と デンドライト 成長挙動を “回せる 3D” で解析します。

1. 実行条件

  • 3×3×3 Supercell (96 × 27 atoms)
  • 温度 : 300 K / 500 K 比較
  • シミュレーション : 5 ns (NVT)
  • デバイス : H200 NVL × 8 GPU

2. 速度とスケーリング

GPU 8 枚で DeepMD 比 2.1× 高速。Kokkos バックエンドにより NVLink/NVSwitch 通信を最適化。

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 の流れは、従来 DeepMD ワークフローを完全に置き換える新基準。
Founding 5 PoC では、この最新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）

本稿で想定している「ML-IAP (Allegro) ＋ LAMMPS (Kokkos) による大規模 LLZO/Li 界面 MD」は、 現在、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の整備が進んでいる段階です。 この DFT データを用いて Allegro の試験的な学習を行い、小さめの系で LAMMPS 上の AI-MD フロー（入出力形式・力の整合性・温度制御など）を検証し始めています。

今後は、DFT データセットを LLZO/Li 界面・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、それらに対応する ML-IAP モデルを再学習しながら、 H200 NVL × 8 GPU 構成での長時間 NVT シミュレーションと 3D 可視化に踏み込む予定です。 最終的には、本稿で掲げた 3×3×3 Supercell・数 ns クラスの LLZO/Li 界面 MD を、実際の Allegro モデルで どこまで安定して回せるかを確認し、その結果を “回せる 3D” 可視化とあわせて順次反映していきます。