Mixed Precision Fermi-Operator Expansion on Tensor Cores from a Machine Learning Perspective

We present a second-order recursive Fermi-operator expansion scheme using mixed precision floating point operations to perform electronic structure calculations using tensor core units. A performance of over 100 teraFLOPs is achieved for half-precision floating point operations on Nvidia’s A100 tensor core units. The second-order recursive Fermi-operator scheme is formulated in terms of a generalized, differentiable deep neural network structure, which solves the quantum mechanical electronic structure problem. We demonstrate how this network can be accelerated by optimizing the weight and bias values to substantially reduce the number of layers required for convergence. We also show how this machine learning approach can be used to optimize the coefficients of the recursive Fermi-operator expansion to accurately represent the fractional occupation numbers of the electronic states at finite temperatures.

Smith, Justin S. (författare)
Mniszewski, Susan M. (författare)
Barros, Kipton (författare)
Negre, Christian F. A. (författare)
Rubensson, Emanuel H.Uppsala universitet,Avdelningen för beräkningsvetenskap,Tillämpad beräkningsvetenskap,Numerisk analys(Swepub:uu)emaru152 (författare)
Niklasson, Anders M. N. (författare)
Uppsala universitetAvdelningen för beräkningsvetenskap (creator_code:org_t)

Ingår i:Journal of Chemical Theory and Computation: American Chemical Society (ACS)17:4, s. 2256-22651549-96181549-9626

Av författaren/redakt...: Finkelstein, Jos ...; Smith, Justin S.; Mniszewski, Susa ...; Barros, Kipton; Negre, Christian ...; Rubensson, Emanu ...; visa fler...; Niklasson, Ander ...; visa färre...

Om ämnet

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.