CPU也能速刷AlphaFold2？英特爾：請收下這份23倍通量優(yōu)化指南

發(fā)布時間：2022-10-25作者來源：芯智訊瀏覽：2300

攪翻計算生物界的AlphaFold2一開源，各種加速方案就爭相涌現(xiàn)。

妹想到啊，現(xiàn)在居然有了個CPU的推理優(yōu)化版本，不用GPU，效果也出人意料的好——

端到端的通量足足提升到原來的23.11倍。

△ 高達(dá)23.11倍的提升不是一蹴而就，但依然驚艷

換個更具體的數(shù)據(jù)，它直接讓AlphaFold2的通量從每天約4.6個序列提升到了約105.4個。

要知道，由DeepMind開源的AlphaFold2，通過AI算法對蛋白質(zhì)結(jié)構(gòu)預(yù)測實現(xiàn)了接近實驗精度的精準(zhǔn)預(yù)測，可謂是公認(rèn)的AI for Science標(biāo)桿。

該領(lǐng)域也一直被認(rèn)為是最吃AI專用加速芯片，如GPU紅利的前沿方向。

這一[敏感詞]成果的釋出，就意味著CPU也能在AI for Science領(lǐng)域占有一席之地，并發(fā)揮巨大、而且是出乎大家意料的威力。

同樣，這個成果也意味著AI for Science的入場門檻正在被拉低，對那些想從事基礎(chǔ)科研和創(chuàng)新，但還沒有布局異構(gòu)IT基礎(chǔ)設(shè)施，或沒有大規(guī)模采用AI專用加速芯片的企業(yè)和機(jī)構(gòu)而言也是個難得的福音，意味著他們依靠更常見的IT基礎(chǔ)設(shè)施就能開展工作。

那么這個優(yōu)化方案究竟是如何做到的？一起來看。

只用CPU加速AlphaFold2，優(yōu)勢在哪？

這在其預(yù)處理、推理、后處理三個部分都有所體現(xiàn)。

預(yù)處理階段，由于輸入的氨基酸序列所含信息不多，AlphaFold2一般會先利用已知信息（蛋白質(zhì)序列、結(jié)構(gòu)模板）來提升預(yù)測精度，以此拿到MSA表征（MSA representation）和鄰接表征（pair representation）的三維張量。

這就意味著AlphaFold2屬于大張量模型，在嵌入層的瓶頸不在于并行計算，而是在于內(nèi)存消耗和異構(gòu)數(shù)據(jù)通信。

這正是CPU所擅長的領(lǐng)域。

再看模型推理階段。

該階段通過一個由48個塊（Block）組成的Evoformer網(wǎng)絡(luò)進(jìn)行表征融合。

該網(wǎng)絡(luò)的機(jī)制是利用Self-Attention來學(xué)習(xí)蛋白質(zhì)的三角幾何約束信息，讓兩種表征信息相互影響，從而使得模型能直接推理出相應(yīng)的三維結(jié)構(gòu)，且要循環(huán)三次。

結(jié)構(gòu)層還會基于不動點注意力機(jī)制，對三維結(jié)構(gòu)的每個原子進(jìn)行預(yù)測，最后合成一個高度準(zhǔn)確的結(jié)果。

這一番動作下來，對算力是個大考驗。

而且原版AlphaFold2會受到顯存限制，導(dǎo)致能夠探索的蛋白質(zhì)序列長度不足1000aa。但很多蛋白質(zhì)的序列長度動輒都是2k、3k。

最終在后處理階段，將使用Amber力場分析方法對獲得的三維結(jié)構(gòu)參數(shù)優(yōu)化，并輸出最終的蛋白質(zhì)三維結(jié)構(gòu)。

DeepMind團(tuán)隊提到，他們用128塊TPUv3從頭訓(xùn)練一遍AlphaFold2，需要11天的時間。

同時，AlphaFold2代碼是基于JAX的，偏向于專業(yè)從事AI科學(xué)計算的研究人員，普通開發(fā)人員部署起來也比較困難。

種種挑戰(zhàn)之下，導(dǎo)致AlphaFold2自開源后，相應(yīng)的加速方案也接連涌現(xiàn)。不過無論是訓(xùn)練還是推理，市面上更多見的，還是基于AI專用加速芯片，如GPU的方案。

完全基于CPU的加速方案還是頭一回見，而且一上來就在性能增幅上震驚四座，推理通量可提升到優(yōu)化前的23倍之多。

具體到底是怎么做的？

如何只靠CPU增效達(dá)23倍？

提到CPU，你可能已經(jīng)想到方案的提出者是誰了——

沒錯，就是那個名字，英特爾。

他們基于目前[敏感詞]的第三代至強(qiáng)可擴(kuò)展平臺，最終實現(xiàn)了“23.11倍”的通量優(yōu)化成果（相比未優(yōu)化時），其中有5.05倍是靠模型本身的優(yōu)化所帶來，還有4.56倍則是來自傲騰持久內(nèi)存提供的TB級內(nèi)存支持。

△ 第三代英特爾^?至強(qiáng)^?可擴(kuò)展處理器

其整體流程，就是先在預(yù)處理階段對模型進(jìn)行高通量優(yōu)化，然后將模型遷移到PyTorch框架下，接著再在PyTorch版本上進(jìn)行細(xì)節(jié)上的推理優(yōu)化，最后給予TB級內(nèi)存支持以解決AlphaFold2的內(nèi)存瓶頸，由此達(dá)到不輸專用加速芯片的效果。

更具體點，這些優(yōu)化一共分為五步。

01、預(yù)處理階段高通量優(yōu)化

如前文所述，此階段模型在進(jìn)行蛋白質(zhì)序列和模版搜索時需要計算平臺執(zhí)行大量的向量/矩陣運(yùn)算——處理器能不能夠火力全開就顯得尤為重要。

[敏感詞]步優(yōu)化就在此展開，不過這步的優(yōu)化非常簡單，就是借助至強(qiáng)可擴(kuò)展處理器自帶的多核心、多線程和大容量高速緩存能力直接加速，提升MSA和模板搜索通量。

至強(qiáng)可擴(kuò)展處理器內(nèi)置的AVX-512指令集和支持的NUMA ( Non-Uniform Memory Access，非一致存儲訪問) 架構(gòu)等技術(shù)，能以提供[敏感詞]512位向量計算能力的顯著高位寬優(yōu)勢，來提升計算過程中的向量化并行程度，從而進(jìn)一步提升預(yù)處理階段的整體效率。

這步優(yōu)化支持所有至強(qiáng)可擴(kuò)展系列CPU，且只需在ICC編譯器中添加一句簡單的配置就OK：

-O3 -no-prec-div -march=icelake-server

02、遷移到面向英特爾^?架構(gòu)優(yōu)化的 PyTorch

在預(yù)處理階段的高通量優(yōu)化完成后，就需要將模型遷至PyTorch了。

因為原始AlphaFold2所基于的JAX庫所提供的加速能力主要針對GPU，且在英特爾^?架構(gòu)平臺上能夠發(fā)揮的功能有限。

而PyTorch擁有良好的動態(tài)圖糾錯方法，與haiku-API有著相似的風(fēng)格（AlphaFold2一部分也基于haiku-API實現(xiàn)），就更別說還有英特爾^{^?}oneAPI工具套件提供的針對PyTorch的優(yōu)化“利器”：Intel^{^?} Extensions for PyTorch （IPEX）。

因此，為了實現(xiàn)更好的優(yōu)化效果，需要在這里完成 PyTorch版本的遷移。

03、PyTorch JIT

接下來，為了提高模型的推理速度，便于后續(xù)利用IPEX的算子融合等加速手段進(jìn)行深入優(yōu)化，英特爾又將遷移后的代碼進(jìn)行了一系列的API改造，在不改變網(wǎng)絡(luò)拓?fù)涞那疤嵯?，引入PyTorch Just-In-Time (JIT) 圖編譯技術(shù)，將網(wǎng)絡(luò)最終轉(zhuǎn)化為靜態(tài)圖。

以上都還只是“熱身動作”，下面才是展現(xiàn)“真正的實力”的時候——

04、切分Attention+算子融合

首先，通過算法設(shè)計分析，英特爾發(fā)現(xiàn)，在AlphaFold2模型的嵌入層有一個叫做ExtraMsaStack的模塊，其注意力模塊包含了大量的偏移量計算。

這些運(yùn)算需要靠張量間的矩陣運(yùn)算來完成。

其過程就會伴隨著張量的擴(kuò)張，而張量擴(kuò)張到一定規(guī)模后，就會讓模型內(nèi)存需求變得巨大。

比如一個“5120x1x1x64”的張量，其初始內(nèi)存需求只要1.25MB，擴(kuò)張過程中就可達(dá)到930MB。

這一下子爆出的內(nèi)存峰值壓力，會讓內(nèi)存資源在短時間耗盡，繼而可能引發(fā)推理任務(wù)的失敗。

同時別忘了，大張量運(yùn)算所需的海量內(nèi)存還會帶來不可忽略的內(nèi)存分配過程，徒增執(zhí)行耗時。

那么，英特爾的第四步優(yōu)化就瞄準(zhǔn)這兩個“痛點”，對注意力模塊來了個“大張量切分”的優(yōu)化思路，化大張量為多個小張量。

比如將上述“5120x1x1x64”的張量切分為“320x1x1x64”后，其擴(kuò)張所需的內(nèi)存就由930MB降至59.69MB，只占原來的6.4%左右。

沒有了大內(nèi)存之需，也就不需要進(jìn)行內(nèi)存分配了，因此，張量切分后推理速度也上來了。

比如從下圖我們就可以看到，注意力模塊的效率在切片前后有著非常明顯的差別。

△ 注意力模塊切分前后對比

這還沒完。

接著，英特爾利用PyTorch自帶的Profiler對AlphaFold2的Evoformer網(wǎng)絡(luò)進(jìn)行了算子跟蹤分析。

然后他們發(fā)現(xiàn)，有兩種算子（Einsum和Add）的資源占用率很高，且總是連續(xù)同時存在。

因此，英特爾就使用IPEX工具提供的算子融合能力將它倆的計算過程進(jìn)行融合，以省去中間建立臨時緩存數(shù)據(jù)結(jié)構(gòu)的時間，提高整體效率。

從下圖我們可以看到，兩算子融合后光是在單元檢測中的計算效率就提升到了原來的6倍。

△ 算子 Einsum+Add 融合效果圖

至此，經(jīng)過以上幾個步驟的優(yōu)化，AlphaFold2在CPU上的總體性能已經(jīng)得到了大約5倍的提升。

還差最后一步：

05、多實例并行優(yōu)化

在這一步，英特爾先利用至強(qiáng)可擴(kuò)展平臺上基于NUMA架構(gòu)的核心綁定技術(shù)，讓每個推理工作負(fù)載都能穩(wěn)定地在同一組核心上執(zhí)行，并優(yōu)先訪問對應(yīng)的近端內(nèi)存，從而提供更優(yōu)、也更穩(wěn)定的并行算力輸出。

然后引入英特爾^?MPI庫幫助模型在多實例并行推理計算時實現(xiàn)更優(yōu)的時延、帶寬和可擴(kuò)展性。

但這些動作還不足以破解限制AlphaFold2發(fā)揮潛能的一個重要因素：內(nèi)存瓶頸。

眾所周知，在面向不同蛋白質(zhì)的結(jié)構(gòu)測序工作中，序列長度越長，推理計算復(fù)雜度就越大。

而在我們對模型進(jìn)行了并行計算能力的優(yōu)化后，更多計算實例的加入還會進(jìn)一步凸顯這一問題。

英特爾用“星際探索”這一比喻對這種現(xiàn)象做了非常形象的說明。

△ 不同序列長度的蛋白質(zhì)所代表的計算復(fù)雜度示意圖

可以看到，當(dāng)?shù)鞍踪|(zhì)序列長度達(dá)到4700aa時，此時內(nèi)存需求就已經(jīng)大于1.3TB，計算復(fù)雜度對于系統(tǒng)來說就相當(dāng)于“探索[敏感詞]別”了。

如果再加上64個實例并行執(zhí)行，內(nèi)存容量的需求就會沖到一個令人驚嘆的量級。

那么，一個具備超大容量內(nèi)存支持的平臺就顯得尤為重要。

給至強(qiáng)可擴(kuò)展處理器配上傲騰持久內(nèi)存便可滿足這一需求。

△ 英特爾^?傲騰? 持久內(nèi)存

提到傲騰持久內(nèi)存，我們并不陌生。今年6月在《用CPU方案打破內(nèi)存墻？學(xué)Paypal堆傲騰擴(kuò)容量，漏查欺詐交易量可降至1/30》一文中已經(jīng)小結(jié)了它對于AI應(yīng)用的關(guān)鍵作用，即提供更大容量的內(nèi)存子系統(tǒng)來滿足那些內(nèi)存敏感型AI應(yīng)用將更多數(shù)據(jù)貼近算力的需求。

目前[敏感詞]一代的傲騰持久內(nèi)存200系列，可以在提供接近主流DRAM內(nèi)存性能的基礎(chǔ)上，實現(xiàn)每路高達(dá)4TB的容量，或者說，與DRAM內(nèi)存組合時可提供每路高達(dá)6TB的內(nèi)存總?cè)萘俊?

有了它，我們甚至能夠實現(xiàn)10000aa序列長度的蛋白結(jié)構(gòu)預(yù)測。

用了它，英特爾這個方案的優(yōu)化就基本完成，模型的總體性能也可在之前優(yōu)化步驟的基礎(chǔ)上再次得到4.56倍的提升。

最后，附上一份用于這個優(yōu)化方案的英特爾官方推薦配置。

△ AlphaFold2 高通量推理實現(xiàn)所需的系統(tǒng)——英特爾推薦配置

如果你想看更多細(xì)節(jié)中的細(xì)節(jié)，也可以訪問英特爾公開分享的白皮書《通量提升達(dá)23.11倍！至強(qiáng)可擴(kuò)展平臺助力AlphaFold2端到端優(yōu)化》。

或者觀看英特爾聯(lián)合國際學(xué)術(shù)期刊《Science》推出的“架構(gòu)師成長計劃”第二季第八期課程《AI驅(qū)動的生命科學(xué)創(chuàng)新范式之變》。

其中不但有量子位總編輯李根、晶泰科技首席研發(fā)科學(xué)家楊明俊博士和英特爾人工智能架構(gòu)師楊威博士圍繞這個主題的精彩討論，還有晶泰科技在AI制藥領(lǐng)域的領(lǐng)先實踐分享，以及英特爾這個AlphaFold2優(yōu)化方案更為細(xì)致且可視化的呈現(xiàn)。

經(jīng)驗和成果在業(yè)界已開始擴(kuò)散

光說不練假把式，英特爾這個方案看起來很美，但要真正實現(xiàn)落地才能讓人信服。

事實上，在對這個方案進(jìn)行摸索和開發(fā)的過程中，英特爾與相關(guān)領(lǐng)域合作伙伴或用戶的協(xié)作與交流就一直沒停過，不但吸收了各方的經(jīng)驗，實現(xiàn)了博采眾長和互相借鑒、啟發(fā)。

在成型后，也[敏感詞]時間廣泛分享給到伙伴和用戶們，讓他們能夠根據(jù)自身特定的環(huán)境、應(yīng)用狀況和需求，開展實戰(zhàn)驗證和推進(jìn)更進(jìn)一步的探索。

例如國內(nèi)某高校就曾嘗試在數(shù)百臺基于至強(qiáng)可擴(kuò)展處理器的服務(wù)器上，采用該方案提供的經(jīng)驗和方法來進(jìn)行測試，并取得了一舉兩得的結(jié)果——

其順利實踐了短序列高通量的、面向蛋白質(zhì)組學(xué)級別的批量化結(jié)構(gòu)預(yù)測，既降低了蛋白質(zhì)組的AlphaFold2預(yù)測成本，又提高了集群推理的總通量。

上文提及的國內(nèi)明星AI制藥公司晶泰科技，也在自身的研發(fā)中，將自主研發(fā)的AI算法與AlphaFold2結(jié)合，從而驗證靶點、精確解析活性構(gòu)象，為后續(xù)的藥物發(fā)現(xiàn)打下良好基礎(chǔ)。

通過充分利用CPU的TB級內(nèi)存支持，在公有云上部署英特爾版AlphaFold2優(yōu)化方案后，科學(xué)家可以實現(xiàn)針對短序列的單節(jié)點高通量推理優(yōu)化，從而加快蛋白組學(xué)結(jié)構(gòu)分析進(jìn)程，并預(yù)測序列長度超過4700aa的蛋白質(zhì)序列。

這不光能拓展AlphaFold2在研發(fā)中的探索范圍，也能以更低的成本，讓更高精度的算法工具作用于更早的研發(fā)環(huán)節(jié)，進(jìn)一步加速藥物發(fā)現(xiàn)。

蛋白質(zhì)結(jié)構(gòu)預(yù)測，只是AI for Science的序幕

不久前，引爆了AI for Science的AlphaFold2又公開了新進(jìn)展——

它已經(jīng)成功預(yù)測出包括植物、細(xì)菌、真菌在內(nèi)的100萬個物種的2.14億個蛋白質(zhì)結(jié)構(gòu)，并將數(shù)據(jù)集對外開源。

而這些，都還只是AI for Science的序幕。

在蛋白質(zhì)結(jié)構(gòu)預(yù)測、生物計算、藥物開發(fā)之外，AI在物理、天文、化學(xué)等領(lǐng)域也開始逐漸展露頭角。

前沿領(lǐng)域，今年《Nature》上的一項“改寫物理教科書”的研究，正是通過AI開展的。

歐洲核子研究組織（CERN）的科學(xué)家利用機(jī)器學(xué)習(xí)，發(fā)現(xiàn)了質(zhì)子內(nèi)部存在5個夸克的有力證據(jù)，這一成果顛覆了一直以來質(zhì)子只有三個夸克的理論。

應(yīng)用落地層面，前面提到的晶泰科技已經(jīng)構(gòu)建了一套智能計算、自動化實驗、專家經(jīng)驗結(jié)合的三位一體的研發(fā)模式，提供一站式小分子藥物發(fā)現(xiàn)、大分子藥物發(fā)現(xiàn)，藥物固體形態(tài)研發(fā)，以及化學(xué)合成服務(wù)。

晶泰科技目前已建成數(shù)千平的自動化實驗室，與智能算法“干濕結(jié)合”，形成實驗數(shù)據(jù)與算法預(yù)測間的交互閉環(huán)，保證AI算法的產(chǎn)業(yè)落地和交付能力。