理化学研究所情報システム部

Fermi コアのGPUを4200個以上搭載し、ピーク性能2.4PFLOPSのスパコンTSUBAME 2.0 の全ノードを使った格子系アプリケーションの事例を3つ紹介する。1) 気象庁の次期気象予報コードをGPU化し、水平500m格子により日本全土を覆う広領域の計算、2) 格子ボルツマン法により1m格子で建物まで解像度し、数km四方のエリアの都市気流のラージエディ乱流計算、3) 合金のフェーズフィールド法によるmmスケールの樹枝状凝固シミュレーション。GPU 間の通信と計算のオーバーラップと実行性能について述べる。

心臓の収縮力の源は心筋細胞筋原線維内のサルコメアにおけるアクチン-ミオシンフィラメント間のATP分子をエネルギー源とする架橋運動であり, これは心筋の収縮率および収縮速度などマクロ的因子の影響も受けて変化する. さらに, 心筋細胞およびその集合体も特殊な2次構造を有し, 血液拍出機能に大きな影響を及ぼしていると考えられている. 本講演では、京の計算能力を利用して, 確率的な挙動を有するミクロスケール架橋運動, 細胞集合体のメゾスケール2次構造の運動, および心筋のマクロスケール拍動運動を連成させて同時に解くマルチスケール解析手法について述べ, 計算の結果明らかになりつつあるこれら異なるスケール間のモデリングや現象の関係について紹介する.

Conformational sampling is one of the bottlenecks in fragment-based protein structure prediction approaches. They generally start with a coarse-grained optimization where mainchain atoms and centroids of side chains are considered, followed by a fine-grained optimization with an all-atom representation of proteins. It is during this coarse-grained phase that fragment-based methods sample intensely the conformational space. If the native-like region is sampled more, the accuracy of the final all-atom predictions may be improved accordingly. We have proposed a new method for fragment-based protein structure prediction based on an Estimation of Distribution Algorithm, which we refer to as EdaFold. Fragment-based approaches build protein models by assembling short fragments from known protein structures. Whereas the probability mass functions over the fragment libraries are uniform in current approaches, we use the Estimation of Distribution Algorithm to learn from previously generated decoys and steers the search toward native-like regions. A comparison with the state of the art fragment assembly method, Rosetta, shows that EdaFold is able to generate models with lower energies and to enhance the percentage of near-native coarse-grained decoys on a benchmark of 20 proteins. Various analyses were performed to compare the all-atom models generated by EdaFold with that from Rosetta. Our study suggests that improving coarse-grained decoys allows computational methods to avoid subsequent sampling issues during all-atom refinement and to produce better all-atom models.

コンピュータの演算能力はムーアの法則に従って増えてきたが、それには陰りが見られる。端的にはCPU、GPUのマルチコア化が進んできた。つまり、CPUは今後はそのままの形では高速化しないのである。他にもメモリ、ネットワークのバンド幅、容量なども物理的な限界が近いとされている。さらに、今度は電力消費量の限界という新たな問題も出てきている。今後コンピュータを研究で活用する為には、何をどう意識してプログラムしなければならないか。昨今のトレンドからそれを垣間みたい。