La supercomputadora Sunway de China logra un gran avance en la simulación de química cuántica impulsada por IA.
La comunidad de investigación en computación de alto rendimiento (HPC) de China ha alcanzado un nuevo hito. Científicos que utilizan la supercomputadora Sunway Oceanlite han simulado con éxito la química cuántica compleja a escala molecular combinando inteligencia artificial (IA) con supercomputación tradicional.
El proyecto, que se ejecutó en 37 millones de núcleos de procesador , demuestra cómo los modelos basados en IA pueden ampliar el alcance de la computación clásica a problemas científicos que antes se creían solucionables únicamente mediante computadoras cuánticas . Este logro representa un avance significativo para el ecosistema chino de IA y supercomputación , así como para el esfuerzo global más amplio por conectar la computación clásica con la cuántica.
Entendiendo el desafío: Química cuántica a escala molecular
La química cuántica es uno de los campos más exigentes de la ciencia computacional. Busca comprender cómo interactúan los átomos y los electrones a nivel cuántico, conocimiento que sustenta los avances en el descubrimiento de fármacos , la ciencia de los materiales y la investigación en energías limpias .
En teoría, el comportamiento de cada molécula puede determinarse resolviendo la ecuación de Schrödinger , que describe cómo evoluciona el estado cuántico de un sistema. Sin embargo, a medida que aumenta el número de electrones en una molécula, el número de configuraciones posibles —conocido como espacio de estados cuánticos— crece exponencialmente .
Por ejemplo, modelar una molécula con tan solo unas pocas docenas de electrones puede requerir más cálculos de los que pueden gestionar las supercomputadoras clásicas más avanzadas. Por ello, los científicos han recurrido tradicionalmente a métodos de aproximación para simplificar estas ecuaciones, pero estos métodos pierden rápidamente precisión al aplicarse a sistemas complejos o fuertemente correlacionados.
Por esta razón, las computadoras cuánticas , que procesan la información en bits cuánticos (cúbits) en lugar de binarios, se consideran la solución a largo plazo para estos problemas. Sin embargo, dado que las computadoras cuánticas prácticas aún tienen una escala y una fiabilidad limitadas, los investigadores han estado explorando enfoques alternativos para acercar la computación clásica a la precisión cuántica.
El enfoque Sunway: fusionando la IA con la supercomputación clásica
El avance logrado por el equipo de Sunway ofrece un poderoso ejemplo de esta nueva dirección.
En lugar de intentar simular directamente sistemas cuánticos mediante computación de fuerza bruta, los investigadores utilizaron un modelo de aprendizaje automático denominado Estado Cuántico de Redes Neuronales (NNQS) . Este marco basado en IA puede "aprender" a aproximarse al comportamiento de los electrones dentro de una molécula observando las configuraciones de la muestra y ajustando sus parámetros para minimizar los errores de predicción de energía.
En pocas palabras, la red neuronal se entrena para representar la función de onda de una molécula, la función matemática que codifica la probabilidad de encontrar electrones. Al combinar las leyes físicas con el aprendizaje basado en datos, el método NNQS combina la escalabilidad de la IA con la precisión cuántica , ofreciendo una nueva y prometedora vía para la simulación de la química cuántica.
Este enfoque aumentado con IA permite que las computadoras tradicionales de alto rendimiento modelen sistemas moleculares que antes estaban fuera de su alcance, sin la necesidad de hardware cuántico completamente funcional.
Dentro de la supercomputadora Sunway Oceanlite
El experimento se llevó a cabo en la supercomputadora Sunway Oceanlite de China, un sistema de nueva generación diseñado y construido por el Centro Nacional de Supercomputación de Wuxi . Oceanlite se basa en el procesador Sunway SW26010-Pro , que contiene 384 núcleos de computación por chip y admite formatos de coma flotante de alta precisión como FP16, FP32 y FP64.
Lo que distingue a este procesador es su arquitectura heterogénea , que incluye un número reducido de núcleos de gestión que coordinan el trabajo entre millones de Elementos de Procesamiento de Cómputo (CPE) ligeros. Estos CPE están diseñados para cargas de trabajo masivamente paralelas , lo que los hace ideales para simulaciones a gran escala e investigación científica basada en IA.
Para aprovechar esta arquitectura, los investigadores desarrollaron un modelo de comunicación jerárquico que sincronizó eficientemente los datos entre 37 millones de núcleos. También implementaron un algoritmo de balanceo de carga dinámico para distribuir las cargas de trabajo de forma uniforme, garantizando que ningún recurso computacional permaneciera inactivo durante la ejecución.
La combinación de diseño algorítmico y optimización de hardware fue clave para lograr el nivel de eficiencia sin precedentes reportado en este proyecto.
Escala récord y eficiencia computacional
El sistema objetivo del equipo para la simulación contenía 120 orbitales de espín , una medida de los posibles estados electrónicos en una molécula. Simular un sistema así requiere procesar simultáneamente una enorme cantidad de variables e interacciones, una capacidad muy superior a la de la mayoría de las supercomputadoras o métodos de aproximación existentes.
Utilizando la supercomputadora Sunway Oceanlite, los investigadores lograron una eficiencia de escalamiento fuerte del 92% y de escalamiento débil del 98% en 37 millones de núcleos CPE.
En informática de alto rendimiento, el "escalamiento fuerte" mide la eficacia con la que un sistema acelera una carga de trabajo fija al añadir más procesadores, mientras que el "escalamiento débil" mide cómo se mantiene el rendimiento cuando la carga de trabajo aumenta proporcionalmente al número de procesadores. Alcanzar valores casi perfectos en ambas métricas demuestra una sincronización excepcional entre software y hardware, un logro poco común incluso entre los sistemas informáticos más avanzados del mundo.
Esta simulación de un sistema molecular de 120 orbitales representa el mayor cálculo de química cuántica basado en IA jamás realizado en una supercomputadora clásica . También es una de las primeras demostraciones a gran escala de cómo el aprendizaje automático puede integrarse estrechamente con la arquitectura HPC para modelar sistemas cuánticos a escala molecular.
Implicaciones para la IA, la computación cuántica y la supercomputación
Aunque este logro no reemplaza la necesidad de verdaderas computadoras cuánticas, resalta una creciente convergencia entre la inteligencia artificial , la ciencia cuántica y la computación de alto rendimiento .
A continuación se presentan algunas de las implicaciones más amplias:
-
Impulsando la investigación cuántica con sustitutos de IA
Los estados cuánticos de redes neuronales (NNQS) permiten a los investigadores explorar sistemas moleculares y dinámicas de reacción con precisión cuántica, incluso sin acceso a máquinas basadas en qubits. -
Cerrando la brecha antes de la madurez cuántica
El hardware cuántico sigue limitado en cuanto a número de cúbits, corrección de errores y escalabilidad. Las simulaciones basadas en IA en supercomputadoras de exaescala como Sunway Oceanlite ofrecen una solución provisional práctica para la química cuántica, la física de la materia condensada y el modelado de materiales. -
Demostración de las capacidades de HPC de China
El proyecto subraya el liderazgo continuo de China en innovación en computación de alto rendimiento. El sistema Sunway Oceanlite, junto con Tianhe y otras instalaciones nacionales, forma parte de la estrategia más amplia de China para desarrollar arquitecturas de supercomputación autóctonas y energéticamente eficientes. -
Facilitación de la investigación interdisciplinaria
La integración de algoritmos de IA en la computación basada en la física ofrece nuevos caminos para la ciencia interdisciplinaria, desde la química computacional hasta la biofísica y la nanotecnología. -
Optimización para futuros sistemas híbridos
El software y las técnicas de escalamiento desarrollados para este proyecto podrían informar futuras arquitecturas híbridas IA-HPC-cuántica , donde los modelos de aprendizaje automático ayudan a optimizar las cargas de trabajo cuánticas y viceversa.
Comparación de los enfoques de supercomputación y computación cuántica
Las supercomputadoras tradicionales como Sunway Oceanlite procesan información de forma secuencial o en paralelo utilizando bits clásicos, que representan 0 o 1. Por el contrario, las computadoras cuánticas funcionan utilizando qubits, que pueden existir en múltiples estados simultáneamente gracias a la superposición.
Si bien las máquinas cuánticas prometen aceleraciones exponenciales para ciertas tareas, su hardware aún es experimental y extremadamente difícil de escalar. El ruido, la decoherencia y la corrección de errores siguen siendo obstáculos importantes.
Al utilizar IA para aproximarse al comportamiento cuántico en hardware clásico, el equipo de Sunway aporta ventajas cuánticas a la infraestructura existente, sin depender de cúbits frágiles. Este enfoque de simulación asistida por IA podría ser un paso crucial hacia la adopción generalizada de la computación cuántica en la investigación científica.
Un contexto global: la carrera hacia la HPC acelerada por IA
El avance de China se produce en medio de una carrera global por integrar la IA en la computación de alto rendimiento. Estados Unidos, Japón y la Unión Europea están desarrollando sistemas de exaescala acelerados por IA , diseñados para gestionar cargas de trabajo mixtas en ciencia, modelado climático y defensa.
En EE. UU., sistemas como Frontier y Aurora ya utilizan la aceleración por GPU para entrenar grandes modelos de IA y realizar simulaciones a gran escala. La supercomputadora japonesa Fugaku también ha explorado la combinación del aprendizaje automático con modelos basados en la física.
Lo que distingue al logro de Sunway es la escala del paralelismo (37 millones de núcleos trabajando sincronizados) y el uso de una arquitectura totalmente nacional optimizada para la IA y las cargas de trabajo científicas. Esto refuerza el impulso de China hacia la autosuficiencia tecnológica en el diseño de semiconductores y hardware de supercomputación.
Direcciones futuras: Hacia la integración cuántica con la IA
Los investigadores detrás del proyecto Sunway han declarado que planean continuar perfeccionando su marco NNQS y explorando su potencial para simular sistemas cuánticos más grandes y complejos.
A largo plazo, la fusión de algoritmos de IA , infraestructura de supercomputación y hardware cuántico emergente podría allanar el camino para ecosistemas computacionales híbridos. En estos sistemas, los clústeres de HPC clásicos gestionan la gestión de datos a gran escala y el aprendizaje automático, mientras que los procesadores cuánticos abordan subproblemas específicos de alta precisión.
Este enfoque integrado podría transformar no sólo la química cuántica , sino también campos como la biología molecular , el diseño de semiconductores y la investigación sobre almacenamiento de energía , donde el comportamiento a escala cuántica impulsa el rendimiento macroscópico.
Conclusión
La supercomputadora Sunway Oceanlite de China ha logrado un hito científico y tecnológico notable al utilizar 37 millones de núcleos de procesador para realizar una simulación de química cuántica impulsada por IA a una escala sin precedentes.
Si bien esto aún no reemplaza la computación cuántica, demuestra cómo las fronteras entre la IA, la HPC y la investigación cuántica convergen rápidamente. Al aprovechar las redes neuronales para aproximarse a los sistemas cuánticos, los investigadores están encontrando formas prácticas de explorar fenómenos a nivel molecular con una precisión previamente inalcanzable en los sistemas clásicos.
El trabajo refleja tanto la madurez técnica de la infraestructura de supercomputación de China como la tendencia global hacia el descubrimiento científico mejorado mediante IA , un camino que podría dar forma a la próxima generación de ciencia computacional en todo el mundo.