Att lösa ett komplext problem kräver snabbt noggranna avvägningar - och att simulera materialens beteende är inget undantag. För att få svar som förutsäger molekylära funktioner, forskare måste byta in matematiska approximationer som påskyndar beräkningen på noggrannhetens bekostnad.

Men magnetism, elektrisk konduktivitet och andra egenskaper kan vara ganska känsliga, säger Paul R.C. Kent vid Department of Energy's (DOE) Oak Ridge National Laboratory. Dessa egenskaper beror på kvantmekanik, rörelser och interaktioner mellan otaliga elektroner och atomer som bildar material och bestämmer deras egenskaper. Forskare som studerar sådana funktioner måste modellera stora grupper av atomer och molekyler snarare än bara några. Problemets komplexitet kräver att beräkningsverktygens effektivitet och noggrannhet ökar.

Det är där en metod som kallas quantum Monte Carlo (QMC) modellering kommer in. Många andra tekniker uppskattar elektroners beteende som ett övergripande genomsnitt, till exempel, snarare än att överväga dem individuellt. QMC möjliggör redovisning av det individuella beteendet hos alla elektroner utan större approximationer, minska systematiska fel i simuleringar och producera tillförlitliga resultat, Säger Kent.

Kents intresse för QMC går tillbaka till hans doktorsexamen. forskning vid Cambridge University på 1990 -talet. På ORNL, han återvände nyligen till metoden eftersom framsteg inom både superdatorhårdvara och algoritmer hade gjort det möjligt för forskare att förbättra dess noggrannhet.

"Vi kan göra nya material och en bredare bråkdel av element över det periodiska systemet, "Säger Kent." Ännu viktigare, vi kan börja göra några av de material och egenskaper där de mer ungefärliga metoderna som vi använder dagligen är opålitliga. "

Även med dessa framsteg, simuleringar av denna typ av material, de som innehåller upp till några hundra atomer och tusentals elektroner, kräver beräkningstunga lyft. Kent leder ett DOE Basic Energy Sciences Center, Center for Predictive Simulations of Functional Materials (CPSFM) som inkluderar forskare från ORNL, Argonne National Laboratory, Sandia National Laboratories, Lawrence Livermore National Laboratory, University of California, Berkeley och North Carolina State University.

Deras arbete stöds av en DOE Innovative and Novel Computational Impact on Theory and Experiments (INCITE) -tilldelning på 140 miljoner processortimmar, delas mellan Oak Ridge Leadership Computing Facilitys Titan och Argonne Leadership Computing Facilitys Mira -superdatorer. Båda datacentren är användaranläggningar för DOE Office of Science.

För att ta QMC till nästa nivå, Kent och kollegor börjar med material som vanadiumdioxid som visar ovanligt elektroniskt beteende. Vid svalare temperaturer, detta material isolerar mot flödet av elektricitet. Men vid strax över rumstemperatur, vanadiumdioxid förändrar plötsligt dess struktur och beteende.

Plötsligt blir detta material metalliskt och leder elektricitet effektivt. Forskare förstår fortfarande inte exakt hur och varför detta händer. Faktorer som mekanisk töjning, tryck eller dopning av materialen med andra element inducerar också denna snabba övergång från isolator till ledare.

Dock, om forskare och ingenjörer kunde kontrollera detta beteende, dessa material kan användas som omkopplare, sensorer eller, eventuellt, grunden för nya elektroniska enheter. "Den här stora förändringen i materialets konduktivitet är den typ av saker vi skulle vilja kunna förutsäga på ett tillförlitligt sätt, Säger Kent.

Laboratorieforskare studerar också dessa isolator-till-ledare med experiment. Denna valideringsansträngning ger förtroende åt deras beräkningsmetoders förutsägbarhet i en rad olika material. Teamet har byggt programvara med öppen källkod, känd som QMCPACK, som nu är tillgänglig online och på alla beräkningsanläggningar för DOE Office of Science.

Kent och hans kollegor hoppas kunna bygga upp till högtemperatur superledare och andra komplexa och mystiska material. Även om forskare känner till materialens breda egenskaper, Kent säger, "vi kan inte relatera dem till den faktiska strukturen och elementen i materialen ännu. Så det är en riktigt stor utmaning för fysikfältet med kondensat material."

De mest exakta kvantmekaniska modelleringsmetoderna begränsar forskare till att undersöka bara några atomer eller molekyler. När forskare vill studera större system, beräkningskostnaderna blir snabbt otympliga. QMC erbjuder en kompromiss:en beräknings storlek ökar kubiskt i förhållande till antalet elektroner, en mer hanterbar utmaning. QMC innehåller bara några få kontrollerade approximationer och kan appliceras på de många atomer och elektroner som behövs. Den är väl lämpad för dagens superdatorer av petascale - som kan beräkna en kvadrillionsberäkningar eller mer varje sekund - och morgondagens exascale superdatorer, vilket blir minst tusen gånger snabbare. Metoden kartlägger simuleringselement relativt enkelt på beräkningsnoderna i dessa system.

CPSFM-teamet fortsätter att optimera QMCPACK för allt snabbare superdatorer, inklusive OLCF's Summit, som kommer att vara fullt operativ i januari 2019. Den högre minneskapaciteten på maskinens Nvidia Volta -GPU:er - 16 gigabyte per grafikprocessorenhet jämfört med 6 gigabyte på Titan - ökar redan beräkningshastigheten. Med hjälp av OLCF:s Ed D'Azevedo och Andreas Tillack, forskarna har implementerat förbättrade algoritmer som kan fördubbla hastigheten på deras större beräkningar.

QMCPACK är en del av DOE:s Exascale Computing Project, och teamet förutser redan ytterligare skalningsutmaningar för att köra QMCPACK på framtida maskiner. För att utföra de önskade simuleringarna inom ungefär 12 timmar på en exascale superdator, Kent uppskattar att de kommer att behöva algoritmer som är 30 gånger mer skalbara än de i den nuvarande versionen.

Även med förbättrad hårdvara och algoritmer, QMC -beräkningar kommer alltid att vara dyra. Så Kent och hans team skulle vilja använda QMCPACK för att förstå var billigare metoder går fel så att de kan förbättra dem. Sedan kan de spara QMC -beräkningar för de mest utmanande problemen inom materialvetenskap, Säger Kent. "Helst kommer vi att lära oss vad som gör att dessa material är mycket knepiga att modellera och sedan förbättra billigare tillvägagångssätt så att vi kan göra mycket bredare skanningar av olika material."

Kombinationen av förbättrade QMC -metoder och en serie beräkningsmässigt billigare modelleringsmetoder kan leda till nya material och förståelse för deras egenskaper. Att designa och testa nya föreningar i laboratoriet är dyrt, Säger Kent. Forskare kan spara värdefull tid och resurser om de först kunde förutsäga beteendet hos nya material i en simulering.

Plus, han noterar, tillförlitliga beräkningsmetoder kan hjälpa forskare att förstå egenskaper och processer som är beroende av enskilda atomer som är extremt svåra att observera med hjälp av experiment. "Det är en plats där det finns ett stort intresse för att gå efter den grundläggande vetenskapen, förutsäga nya material och möjliggöra tekniska tillämpningar. "