NVIDIA détaille BioIR : débit de repliement Boltz-2 multiplié par 2,9 et 58 500 résidus par heure-GPU sur 8 H100
NVIDIA a détaillé le fonctionnement de son BioNeMo Inference Runtime (BioIR), une bibliothèque Python qui accélère les modèles de prédiction de structures biomoléculaires sur GPU tout en conservant un flux de travail PyTorch standard. Cet outil a déjà tourné à échelle de production : il a permis l'expansion récente de l'AlphaFold Database, générant des structures de complexes protéiques sur 4 777 protéomes, soit environ 31 millions de complexes candidats, dont 1,81 million publiés comme prédictions à haute confiance. Dans un benchmark portant sur 1 000 cibles dimériques humaines (longueurs de séquence combinées inférieures à 2 800 résidus) exécuté sur 8 GPU H100 de 80 Go, BioIR associé au modèle Boltz-2 a traité l'ensemble des cibles en délivrant 58,5 milliers de résidus repliés avec succès par heure-GPU allouée, contre une implémentation open source de Boltz-2 compilée avec torch.compile utilisant les mêmes cibles, les mêmes MSA préparés et la même configuration matérielle. Au niveau du calcul du modèle seul, NVIDIA rapporte des accélérations moyennes géométriques par rapport à une base torch.compile de 1,55x pour OpenFold3, 1,78x pour Boltz-2 et 2,56x pour OpenFold2 monomère sur H100, avec des résultats similaires sur H200. BioIR est disponible dès maintenant sur GitHub sous forme de wheel avec des CUBIN précompilés, nécessitant Python 3.12 ou supérieur, un GPU NVIDIA compatible, un checkpoint de modèle et des MSA A3M par chaîne, sans besoin de nvcc, CUDA source, CMake ni du CUDA toolkit complet.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
Cette accélération répond à un changement de nature dans la prédiction de structures biomoléculaires : l'enjeu n'est plus de savoir si un modèle peut replier une protéine, mais de faire circuler des files entières de cibles indépendantes à travers l'analyse, la featurisation, l'inférence GPU et l'écriture des résultats, à l'échelle du protéome entier. Pour les laboratoires de recherche pharmaceutique et les équipes de biologie computationnelle, un gain de débit de ce type signifie pouvoir cribler des dizaines de millions de complexes candidats en un temps et un coût de calcul nettement réduits, ce qui accélère la découverte de cibles thérapeutiques et la caractérisation d'interactions protéine-protéine à grande échelle. Le fait que BioIR reste compatible avec les objets torch.nn.Module habituels, sans étape de compilation d'un moteur séparé ni export d'artefact, abaisse aussi la barrière d'adoption pour les équipes déjà investies dans des pipelines PyTorch existants comme Boltz-2 ou OpenFold.
Techniquement, BioIR agit sur trois couches distinctes : la sélection de noyaux de calcul optimisés (implémentations maison, cuEquivariance ou repli PyTorch selon le GPU, le type de données et la forme des tenseurs), l'optimisation de modules via la capture de CUDA Graph pour réduire la surcharge de lancement, et la mise à l'échelle du pipeline grâce à un exécuteur Ray qui place une réplique complète du modèle sur chaque GPU visible d'un nœud pour répartir des entrées indépendantes, tout en recouvrant les étapes CPU avec le calcul GPU. Le repliement en parallèle de contexte, qui permettrait de répartir une seule cible sur plusieurs GPU, est annoncé comme prévu mais pas encore disponible. Ce travail s'inscrit dans une compétition plus large entre grands fournisseurs de calcul et laboratoires de biologie structurale, dans la lignée d'AlphaFold de DeepMind et de modèles comme Boltz-2, où l'infrastructure logicielle devient un facteur de différenciation aussi important que les modèles eux-mêmes pour faire tourner la biologie computationnelle à l'échelle industrielle.
Les laboratoires pharmaceutiques et de biologie computationnelle européens pourraient adopter cet outil pour accélérer leurs recherches, mais aucun acteur ou réglementation français ou européen n'est directement implique.