`initialize_state` starts to impact memory usage at very high atom numbers > 100,000,000
Los mantenedores suelen responder en 2 días
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 5/5
- Tiempo estimado
- Más de una semana
- Aptitud para principiantes
- 25/100
- Tipo de issue
- Nueva funcionalidad
- Claridad
- Necesita aclaración
- Estado de actividad
- Estancado
- Área
- performance
Línea de trabajo
Start by reading torch_sim.state.initialize_state and the HotSwappingAutobatcher and ChunkingAutoBatcher entry points mentioned in the issue. Clarify how state tensors are created and whether the chunking autobatcher can consume a stream of states. Done should mean the proposed approach avoids requiring the full state to reside on the GPU; the issue does not specify tests or acceptance criteria.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
From @yutackpark, regarding the integrate function.
The torch_sim.state.initialize_state function sends all the state tensors to the GPU. If the state is too large, this is another potential place for an OOM error.
My current recommendation would be to use the low-level API to circumvent this issue. That would give a lot more control over memory management and is what I would encourage if the initialize_state memory usage became an issue.
The memory footprint of the state is ~ 50-100 bytes / atom, so one would need to reach hundreds of millions of atoms to significantly impact GPU memory usage. It's not ideal to have such a hard limit. The HotSwappingAutobatcher allows for a stream of states and thus gets around this memory issue, we could take a similar approach for the ChunkingAutoBatcher.
- Lenguaje dominante
- Python
- Estrellas
- 502
- Forks
- 108
- Merge medio
- 1 d 1 h
- PR fusionados (30 d)
- 12
Preparar el entorno
- Sin Dockerfile ni archivo de Docker Compose
- Tiene una plantilla de pull request
- Leer la guía de contribución
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Más de TorchSim/torch-sim
-
`unwrap_positions` gives wrong results for triclinic cellsPosiblemente ocupada @lance-lii la tomó hace 1 día. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 85/100
TorchSim/torch-sim#629 · 1 comentario ·
Los mantenedores suelen responder en 2 días
-
Autobatcher memory probe does not recognize cuequivariance out-of-memory errorsPosiblemente ocupada @lil-lon la tomó hace 2 días. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 70/100
TorchSim/torch-sim#627 · 5 comentarios · 1 reacción ·
Los mantenedores suelen responder en 2 días
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 65/100
Los mantenedores suelen responder en 2 días
-
Add MLIPOps backendsAbiertohelp wanted ml-eng-friendly
Dificultad 5/5 Más de una semana Aptitud para principiantes 25/100
TorchSim/torch-sim#606 · 6 comentarios · 1 reacción ·
Los mantenedores suelen responder en 2 días
-
Dificultad 4/5 3-5 días Aptitud para principiantes 42/100
TorchSim/torch-sim#597 · 7 comentarios ·
Los mantenedores suelen responder en 2 días
Todos los issues de TorchSim/torch-sim
Issues similares
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 72/100
pytest-dev/pyfakefs#1367 · 1 comentario ·
Los mantenedores suelen responder en 2 días
-
IFEvalG exclude_word_harder misses the keyword next to punctuation, at the start or end of the text, and in other letter casePosiblemente ocupada @damienen la tomó hoy. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 76/100
allenai/open-instruct#2151 ·
Los mantenedores suelen responder en 1 día
-
feat(plan): support convertorLabels and convertorAffinity in Plan resourcePosiblemente ocupada @AmenB la tomó hoy. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 82/100
RedHatQE/openshift-python-wrapper#2849 · 1 comentario ·
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 65/100
Los mantenedores suelen responder en 25 días
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 70/100
libnativeapi/nativeapi#21 ·