GPUGRID

[walli]

Im Stderr steht irgendwann:

RuntimeError: ... DefaultCPUAllocator: not enough memory: you tried to allocate 6422528 bytes.

Ich weiss nicht, ob es sich hierbei um CPU- oder GPU-RAM handelt. Sollte es normaler Arbeitsspeicher sein (weil es ja auch heisst DefaultCPUAllocator), könntest du die Limits bei dir im Client hochsetzen, sofern dein Rechner über genügend RAM verfügt.

Wo wir beim Thema sind: Nach 1 Stunde Laufzeit liegt der RAM-Verbrauch hier bei nun 8,8GB

Nachtrag: Hier noch eine kleine Infosammlung.

[Uwe-Bergstedt]

ich habe 16GB RAM und 90% davon dürfen verwendet werden

CPU Typ GenuineIntel
Intel(R) Core(TM) i7-7700K CPU @ 4.20GHz [Family 6 Model 158 Stepping 9]
Anzahl der Prozessoren 4
Koprozessor NVIDIA NVIDIA GeForce RTX 2080 (8191MB) driver: 531.18
Betriebssystem Microsoft Windows 10
Professional x64 Edition, (10.00.19045.00)
BOINC Version 7.20.2
Arbeitsspeicher 16346.74 MB
CPU Cache 256 KB
Auslagerungsdatei 18778.74 MB
gesamter Festplattenspeicher 222.56 GB
freier Festplattenspeicher 119.89 GB

Arbeitsspeicher raufgesetzt auf 95%

Festplatten- und Speichernutzung
Festplatte: nutze höchstens --- GB
Festplatte: mindestens frei zulassen
Werte kleiner als 0.001 werden ignoriert 1 GB
Festplatte: nutze höchstens 90% von Gesamt
Tasks sichern auf die Festplatte höchstens alle 60 Sekunden
Auslagerungsspeicher: nutze höchstens 75% von Gesamt
Arbeitsspeicher: wenn Computer benutzt wird, nutze höchstens 95% von Gesamt
Arbeitsspeicher: wenn Computer nicht genutzt wird, nutze höchstens 95% von Gesamt

Danke Walli, die Infosammlung hab ich auch gerade übersetzt.
denn lass ich es wohl besser die Schlangen zu berechnen.:

Beginnen wir mit der Auflistung einiger meiner am häufigsten beobachteten Merkmale der PythonGPU-App:

* Benötigt bis zu 16 GB RAM (während der Erweiterung beim Start) und wahnsinnige Mengen (45-65 GB oder mehr) an Commit-Ladung. Es wird empfohlen, die Auslagerungsdatei manuell auf mindestens 50 GB einzustellen und bei Bedarf zu erhöhen.

* Benötigt mindestens 6 GB Grafikspeicher (obwohl einige Aufgaben auf 4 GB ausgeführt werden). Stellen Sie sicher, dass Sie die neuesten NVIDIA-Treiber verwenden. (Ich führe GeForce Experience aus, um automatisch auf dem neuesten Stand zu bleiben.)
Ihre GPU muss CUDA-fähig Version 11.31 sein.

* GPU (und CPU) laufen in einem oszillationsähnlichen Muster mit häufigen sporadischen GPU-Aktivitätsspitzen, die gleichzeitige Rückgänge der CPU-Auslastung widerspiegeln. (Dies kann die CPU sein, die der GPU Aufgaben gibt und auf Ergebnisse wartet, wie ich es naiv verstehe.)

* Verwendet mehr CPU als in den Eigenschaften angegeben. Diese App erzeugt Threads auf jeder verfügbaren CPU und verwendet bis zu (oder mehr als) 60% aller logischen CPUs. Das scheint der Grund zu sein, warum

[KidDoesCrunch]

Hallo Walli

"Schon mal ins Stderr der betreffenden WU(s) geschaut?"

geschaut = ja
Kapiert= nixxx

http://www.gpugrid.net/result.php?resultid=33332503

RuntimeError: [enforce fail at C:\cb\pytorch_1000000000000\work\c10\core\impl\all oc_cpu.cpp:81] data. DefaultCPUAllocator: not enough memory: you tried to allocate 6422528 bytes.
Was das nun genau heisst? Vermutlich will er ca. 6 MB Memory und findet die nicht?
Ach ich bin ja viel zu langsam

[walli]

Falls es von Interesse ist, so sah meine Test-WU aus. Die Laufzeit betrug in etwa 10 Stunden.

[pschoefer]

Eine neue, ebenfalls Python-basierte Anwendung wird derzeit getestet:

ATM
Hallo GPUGRID!

Wie ihr bereits bemerkt habt, wurde eine neue Anwendung namens ATM mit einigen Testläufen verteilt. Wir arbeiten an ihrer Überprüfung und Ausrollung, also erwartet mehr Aufgaben für diese Anwendung in Kürze. Lasst mich kurz erklären, worum es bei dieser neuen Anwendung geht.

Die Anwendung ATM

Die neue Anwendung ATM steht für Alchemical Transfer Method (engl., alchemistische Transfermethode), eine von Emilio Gallicchio et al. entworfene Methode zur Vorhersage von absoluten und relativen Bindungsaffinitäten. Die ATM erlaubt uns die Abschätzung der Bindungsaffinitäten von Molekülen zu einem bestimmten Protein, ein Maß für die Stärke ihrer Bindung. Diese Methodik gehört zur Kategorie der alchemistischen Methoden zur Berechnung der freien Energie, bei welchen unphysikalische Zwischenstände verwendet werden, um die freie Energie physikalischer Prozesse (wie der Protein-Ligand-Bindung) abzuschätzen. Die Vorteile von ATM im Vergleich zu anderen gängigen Methoden zur Vorhersage der freien Energie (wie die populäre FEP) liegen in ihrer Einfachheit, da sie ohne irgendein Kraftfeld verwendet werden kann und es nicht vieler Erfahrung bedarf, um sie richtig anzuwenden.

Das Messen der Bindungsaffinitäten zwischen den Kandidaten-Molekülen und dem Zielprotein im Experiment ist einer der ersten Schritte in Arzneimittelforschungsprojekten, aber das künstliche Herstellen von Molekülen und das Durchführen von Experimenten sind teuer. Die Möglichkeit zu haben, Bindungsaffinitäten rechnergestützt vorherzusagen, ist daher sehr vorteilhaft, insbesondere bei der Leitstrukturoptimierung eines Arzneimittels. Wir arbeiten jetzt aktiv daran, die ATM zu testen und zu überprüfen, sodass wir so bald wie möglich damit beginnen können, sie in echten Arzneimittelforschungsprojekten anzuwenden. Da diese Methoden in der Regel auf Hunderte Moleküle angewendet werden, profitieren sie außerdem sehr von den Parallelisierungsmöglichkeiten von GPUGRID, sodass dies möglicherweise zu einer Menge WUs führen könnte, wenn alles wie erwartet funktioniert.

Die Anwendung ATM basiert wie die Anwendung PythonRL, die wir mit einer spezifischen Python-Umgebung versenden, auf Python.

Hier sind die beiden wichtigsten Literaturangaben für die ATM zur Vorhersage sowohl der absoluten als auch der relativen Bindungsaffinität:

Abschätzung der absoluten freien Bindungsenergie mittels ATM: https://arxiv.org/pdf/2101.07894.pdf (engl.)
Abschätzung der relativen freien Bindungsenergie mittels ATM: https://pubs.acs.org/doi/10.1021/acs.jcim.1c01129 (engl.)

Momentan können wir Aufgaben nur an Linux-Rechner verschicken, aber wir hoffen, bald eine Windows-Version zu haben.
03.03.2023 | 11:39:46 MEZ

Originaltext:

ATM
Hello GPUGRID!

You‘ve already noticed that a new app called “ATM” has been deployed with some test runs. We are working on its validation and deployment, so expect more jobs to come on this app soon. Let me briefly explain what this new app is about.

The ATM application

The new ATM application stands for Alchemical Transfer Method, a methodology Emilio Gallicchio et al. designed for absolute and relative binding affinity predictions. The ATM method allows us to estimate binding affinities for molecules against a specific protein, measuring the strength at which they bind. This methodology falls under the category of alchemical free energy calculation methods, where unphysical intermediate states are used to estimate the free energy of physical processes (such as protein-ligand binding). The benefits of ATM, when compared with other common free energy prediction methods (like the popular FEP), come from its simplicity, as it can be used with any forcefield and does not require a lot of expertise to make it work properly.

Measuring experimental binding affinities between candidate molecules and the targeted protein is one of the first steps in drug discovery projects, but synthesizing molecules and performing experiments is expensive. Having the capacity to perform computational binding affinity predictions, particularly during drug lead optimization, is extremely beneficial. We are actively working now on testing and validating the ATM method so that we can start applying it to real drug discovery projects as soon as possible. Additionally, since these methods are usually applied to hundreds of molecules, it benefits a lot from the parallelization capabilities of GPUGRID, so if everything goes as expected, this could potentially send lots of work units.

The ATM app is based on Python, similar to the PythonRL application, where we ship it with a specific python environment.

Here are the two main references for the ATM method, for both absolute and relative binding affinity predictions:

Absolute binding free energy estimation with ATM: https://arxiv.org/pdf/2101.07894.pdf
Relative binding free energy estimation with ATM:
https://pubs.acs.org/doi/10.1021/acs.jcim.1c01129

For now we are only able to send jobs to Linux machines but we are hoping to have a Windows version soon.
3 Mar 2023 | 10:39:46 UTC