AlphaFold2 GPU 基准测试和硬件建议

AlphaFold 基准范围

作为科学工作站和服务器的增值供应商，联泰集群定期提供各种 GPU 配置的参考基准，以指导分子动力学科研用户采购为其研究优化的系统。在这篇文章中，我们对不同的 GPU 配置和仅 CPU 配置进行了基准测试，以评估 AlphaFold2 中的性能，并评估蛋白质预测的总时间（以秒为单位）。

什么是 AlphaFold2 ？

AlphaFold2 是 DeepMind 开发的一个革命性人工智能和机器学习系统，旨在根据蛋白质的二维结构氨基酸序列预测蛋白质的三维结构。它的预测非常准确，这也显示了它预测的可信度。

AlphaFold2 的突破出现在 2018 年，当时 DeepMind 进入了第一次迭代 AlphaFold 的结构预测关键评估（CASP）竞赛，并获得了前所未有约 60% 的准确率。两年后的 2020 年，AlphaFold2 的准确率接近 90%。以前的方法无法打破前几年 50% 的准确预测模型。

由于 AlphaFold2 的创新，进行分子动力学研究的行业利用 AlphaFold2 进行分子发现。由于分子功能是基于分子结构的，未来的意义可能导致构建具有特定性质的新分子。

联泰集群基准系统规范

AlphaFold2 的性能基准

我们的第一次测试是想看看 GPU 的加速和可扩展性的性能。在这里，我们正在测试 RTX A4500 的 1x、2x 和 4x 设置。不幸的是，当增加 GPU 的数量时，没有可扩展性，所有这些都给了相同的完成时间。从好的方面来看，即使只添加一个 GPU，也比单独添加 CPU 快近 5 倍。

我们检查了多次，以确保使用了正确的设置。我们甚至测试了另一款 GPU，NVIDIA RTX 6000 Ada，它的原始性能明显快于之前测试的 RTX A4500。这个测试是为了看看一个具有更高性能的不同 GPU 是否可以提供更好的结果。

根据我们的测试，RTX A4500 和 RTX 6000 Ada 的性能没有显著差异，结果几乎相同。

AlphaFold2 硬件建议

并非所有的案例都是相同的，AlphaFold2 很可能不是您研究中使用的唯一应用程序。在联泰集群，我们努力提供资源，以获得最适合您的定制系统。

从结果中可以看出，添加任何GPU都将提供相同的全面性能。然而，我们的建议不是选择最具成本效益的方案。那些经常运行 AlphaFold2 的人，会运行其他有其他硬件要求的应用程序，如 AMBER、GROMAC 或 NAMD。我们的硬件建议是为另一个应用程序优化您的硬件，因为对于 AlphaFold2，您将使用哪个 GPU 或多少 GPU 并不重要。

例如，在我们之前的文章中，我们以 NAMD 为基准，发现存在可扩展性。4x RTX A4500 的性价比最高。另一方面，4x RTX 6000 Ada 的整体性能最好。无论选择哪种 GPU 配置，您都可以确信 AlphaFold2 在两个系统中的性能相同。

如果你严格运行 AlphaFold2，那么带有单个 GPU 的裸机工作站的性能将完成任务。但是，我们再次建议您将系统配置为与计算密集型工作保持一致。你也可以在谷歌 Colab 笔记本上运行 AlphaFold 的代码，并在打开硬件加速时获得 GPU 结果。