LAMMPS-ANI: Large-Scale MD with ANI Neural Network Potential

Xue, Terrel, Pickering, Roitberg — University of Florida | ChemRxiv 2025 | DOI: 10.26434/chemrxiv-2025-8v03m

🎯 ANI MLIP を LAMMPS に統合し、QM精度のMDを最大1億原子・128 GPUスケールで実現する

① 背景と課題

古典力場は固定パラメータ・近似に制限され、複雑な反応や分極効果を正確に記述できない。QM計算は高精度だが計算コストが巨大で大系への適用が不可能。MLIPは両者のギャップを埋める有力な手段だが、従来実装は小規模系に限定され、多数GPUへのスケーリングが困難だった。

メッセージパッシングニューラルネット（Allegro, MACE等）は受容野の急拡大でスケーリングが困難

MLIPのMD不安定性問題：過大なタイムステップが根本原因（HMR/SHAKEで解決可能）

→ ANIの短いカットオフ半径（局所記述子）を活用し、理想的な弱スケーリングを達成

② ANI-LAMMPS統合アーキテクチャ

LAMMPS ドメイン分解
↓ フォワード通信（ゴースト原子取得）
↓ ANI C++ インターフェース
↓ CUAEV（CUDA AEV計算）→ TorchScript ANIモデル
↓ 自動微分で力・ストレス算出
↓ 逆通信で力集計 → 時間積分
↑ 次ステップへ

LAMMPSを再コンパイルせず dynamic library pluginとして統合。Kokkos GPUバックエンドで全内部演算GPU化。

③ 主要最適化技術

④ ベンチマーク結果: スケーリング

システム	原子数	GPU数	性能	Allegro比
水系	100k	4	112 ts/s	28×速
水系	100M	128	—	—
HIV capsid	44M	128	8.5 ts/s	同等@5120 GPU
MACE比	100k	1	34 ts/s	14×速

30〜60×

Allegroモデルに対する速度優位性（FP32 vs TF32）

⑤ 精度検証: アラニンジペプチド

傘サンプリング（25×25 ψ/φウィンドウ）で FES を計算。

b973c汎関数では水密度 0.83 g/cm³（実験値1.0）→ wb97xへの改善が課題

⑥ 大規模反応シミュレーション応用

メタン燃焼（300k原子, 8 A100 GPU, 1 ns, 2500K NVT）

ANI-2x + xTB反発補正で燃焼反応経路を追跡

初期地球化学実験（228k原子, 4 ns, 0→2500→300K）

H₂, H₂O, CO, NH₃, CH₄混合系からのグリシン自発的生成を確認

🧬 cumolfind (GPU加速フラグメント検出) で軌跡中の分子種を自動同定

⑦ 創薬パイプラインへの応用可能性 (lib/md)

🔬 QM精度タンパク質-リガンドMD
ANI-2xで古典力場の限界を超えた結合ポーズ動的評価。非標準官能基・ハロゲン系に特に有効。lib/md の RMSDAnalyzer / HBondAnalyzer と組み合わせて量子力学精度のMD解析パイプラインを構築。

📊 アンサンブル不確実性スコア
8モデルのエネルギー分散 (std/mean) を「力場信頼度」指標として使用。不確実性の高いコンフォメーションをフラグ立てしてFEP計算前の品質管理フィルタとして機能させる。

⚡ FEPプレスクリーニング
1〜10 ns ANI-MD による結合ポーズ安定性スクリーニングをlib/fepに統合。不安定ポーズを事前排除してFEPコストを最適化。

🧪 反応機構解析
共有結合性阻害剤・金属酵素（ANI対応元素内）の反応機構MD解析が可能。cumolfindによる反応中間体自動追跡をlib/mdに組み込み。

⑧ 限界・今後の課題

ANI対応元素: H, C, N, O, S, F, Cl のみ（金属・Br・I非対応）

長距離静電・分散力の記述が困難（短いカットオフ半径の制約）

水密度誤差 (b973c): wb97xレベルへの再訓練が必要

等変ニューラルネット（Allegro, MACE）との精度比較が限定的

💡 将来: ANI-2xのwb97xファインチューニング版、金属対応拡張版に期待