GPU-Server für Chemie- und Materialforschung: Molekulardynamik, DFT, FP64, Labor-LLMs

Welchen GPU-Server ein Chemielabor braucht

Ein GPU-Server für Chemie und Materialforschung wird nach der Rechengenauigkeit der Programme gewählt, die darauf laufen. Molekulardynamik mit GROMACS, AMBER und LAMMPS rechnet in einfacher oder gemischter Genauigkeit und passt auf Server mit der NVIDIA RTX PRO 6000 Blackwell Server Edition; DFT mit ebenen Wellen in VASP und andere Programme in doppelter Genauigkeit gehören auf die NVIDIA H200 NVL mit 30 TFLOPS FP64. Viele Labore betreiben beides, dazu das Training maschinell gelernter Potentiale und ein Sprachmodell auf den eigenen Dokumenten, und kommen so zu zwei Kartentypen in einem oder zwei Servern.

Für die Institutsleitung ist die Sache einfach. Ein Forschungslabor für Beschichtungen, Batterien, Katalyse, Polymere oder Aromen und Duftstoffe lässt Simulationen tagelang laufen, und jede Karte rechnet eine oder wenige davon. Mehr Karten bedeuten mehr parallele Simulationen, mehr geprüfte Kandidatenmoleküle pro Woche und kürzere Wartezeiten für das Team. Der Kartentyp entscheidet, ob der Anteil in doppelter Genauigkeit mit voller Geschwindigkeit läuft. Die Nachbarfelder behandeln unsere Leitfäden zu CFD und technischer Simulation, zu Pharma und Life Sciences mit AlphaFold 3 und BioNeMo sowie zum gemeinsam genutzten Server einer Universität mit Slurm und Quoten.

Einfache, gemischte oder doppelte Genauigkeit: was die Programme dokumentieren

Die Tabelle fasst zusammen, was jedes Projekt zu Genauigkeit und Nutzung mehrerer GPUs angibt, gelesen am 24. Oktober 2026.

Installations- und Performance-Leitfaden von GROMACS 2026.4; GPU-Hardware- und GPU-Support-Seite von AMBER (zuletzt geändert am 7. September 2023 und 6. Juni 2024); Seite zum GPU-Paket von LAMMPS (Release vom 30. September 2026); VASP-Wiki zur OpenACC-Portierung; MACE-README auf GitHub; alle gelesen am 24. Oktober 2026. Die Spalte zur Karte ist unsere Lesart dieser Dokumente.

GROMACS. Der Installationsleitfaden zu GROMACS 2026.4 schreibt, Simulationen würden „normally run in ‚mixed‘ floating-point precision“, und nennt einen Build in doppelter Genauigkeit „slower, and not normally useful“. Der Performance-Leitfaden wiederholt das: „Do not use double precision unless you are absolutely sure you need it.“ Nichtgebundene Kräfte und wahlweise PME, gebundene Kräfte, Update und Constraints lassen sich auf die GPU verlagern; empfohlen werden ein bis drei Ranks je GPU, im GPU-residenten Modus meist ein Rank je GPU. Der Build braucht CUDA 12.1 oder neuer und Compute Capability 5.0 oder höher, was jede Karte in diesem Artikel erfüllt.

AMBER. Die GPU-Seite von AMBER beschreibt das Genauigkeitsmodell von pmemd.cuda als „custom designed hybrid single / double / fixed precision model termed SPFP“. Zur Skalierung ist sie deutlich: „Scaling over multiple GPUs within a single node is not really feasible anymore for PME calculations“, mit einer Ausnahme für Läufe mit implizitem Lösungsmittel über 2.500 Atome auf Karten mit Peer-to-Peer-Verbindung. Eine zweite AMBER-Seite nennt den Nutzen einer Simulation auf zwei oder mehr GPUs „marginal“, außer bei Replica-Exchange-Läufen, und empfiehlt unabhängige Simulationen auf getrennten GPUs. So wird ein Server mit vier Karten für AMBER genutzt: vier Simulationen, eine je Karte.

LAMMPS. Die Seite zum GPU-Paket (Release vom 30. September 2026) schreibt, es erlaube „GPU computations to be performed in single or double precision, or in mixed-mode precision“; im gemischten Modus werden paarweise Kräfte in einfacher Genauigkeit berechnet und in doppelter aufsummiert. Sie rät, für das eigene System zu prüfen, ob einfache oder gemischte Genauigkeit genaue Ergebnisse liefert. Von PPPM läuft nur ein Teil auf der GPU, die FFT bleibt auf der CPU, ebenso die gebundenen Terme. Laut der Seite bringen 2 bis 10 MPI-Tasks je GPU oft die beste Leistung; ein LAMMPS-Server braucht also mehr Prozessorkerne als NVIDIAs Minimum von sechs je GPU.

Nennen Sie uns die Programme und Versionen Ihres Teams mit einer typischen Systemgröße, und unser Team antwortet mit einer Konfiguration, die zu deren Genauigkeit passt.

DFT und Quantenchemie: warum FP64 die Karte bestimmt

NVIDIAs Whitepaper zur RTX-Blackwell-PRO-Architektur (v1.0) hält fest: „The FP64 TFLOP rate is 1/64th the TFLOP rate of FP32 operations.“ Der Chip hat zwei FP64-Kerne je SM, die „are included to ensure any programs with FP64 code operate correctly“. Bei der RTX PRO 6000 Server Edition mit 120 TFLOPS FP32 ergibt das nach unserer Rechnung 1,9 TFLOPS FP64. Die H200 NVL ist eine Hopper-Karte mit eigenen FP64-Einheiten, für die NVIDIA 30 TFLOPS FP64 und 60 TFLOPS auf den Tensor Cores angibt.

Produktseiten von NVIDIA zur H200 und zur RTX PRO 6000 Blackwell Server Edition; FP64-Rate aus NVIDIAs Whitepaper zur RTX-Blackwell-PRO-Architektur v1.0, gelesen am 24. Oktober 2026. Der FP64-Wert der RTX PRO 6000 ist unsere Rechnung (120 ÷ 64), da NVIDIAs Produktseite keinen nennt.

VASP ist der deutlichste Fall. Die Wiki-Seite zur OpenACC-Portierung, die mit VASP 6.2.0 erschien, führt die getesteten NVIDIA-Rechenzentrumskarten auf, von der P100 bis zur H100, der Hopper-Generation der H200 NVL. Der Betrieb auf anderen NVIDIA-GPUs, etwa auf Gaming-Hardware, sei „technically possible but not advisable“, denn „these GPUs are not well suited since they do not offer fast double-precision floating-point arithmetic (FP64) performance“. Die RTX PRO 6000 Server Edition steht nicht auf der Testliste, und ihre FP64-Rate von 1/64 der FP32-Rate ist nach unserer Lesart genau die Eigenschaft, die dieser Satz beschreibt. Laut derselben Seite läuft die GPU-Version mit „a single MPI-rank per available GPU“, und NCCL „has large performance benefits in the majority of cases“. Sind H200 NVL über eine NVLink-Brücke verbunden, kann der Verkehr zwischen den GPUs statt über PCIe über die Brücke mit 900 GB/s je GPU laufen.

Für andere Programme der Elektronenstruktur gilt dieselbe Regel: Fragen Sie die Entwickler, ob die GPU-Kernel in FP64 rechnen. Ein Unterschied um den Faktor 16 beim FP64-Durchsatz wiegt schwerer als der Vorsprung der RTX PRO 6000 Server Edition bei FP32. Unser Artikel zu FP64-GPU-Servern vergleicht die Karten, die noch volle doppelte Genauigkeit bieten.

Maschinell gelernte Potentiale und ML-Modelle für Moleküle

Maschinell gelernte interatomare Potentiale liegen zwischen beiden Arten von Arbeit: Sie werden mit DFT-Daten trainiert und treiben dann Molekulardynamik zu einem Bruchteil der Kosten an. Das MACE-README schreibt: „the default is float64 but float32 gives a significant speed-up (usually a factor of x2 in training)“; Training auf mehreren GPUs nutzt mit dem Schalter --distributed das DistributedDataParallel von PyTorch. Einen Vergleich der Genauigkeit beider Einstellungen enthält das README nicht.

Damit bleibt eine Entscheidung beim Labor. Ein Team, das float32 für seine Systeme validiert hat, trainiert auf der RTX PRO 6000 Server Edition, deren Stärke FP32 ist. Ein Team, das bei float64 bleibt, trainiert auf der H200 NVL, denn 1,9 TFLOPS FP64 würden auf einer RTX-PRO-Karte jede Epoche bremsen. Andere ML-Modelle für Moleküle, zur Vorhersage von Eigenschaften oder zur Generierung, folgen derselben Prüfung: der Genauigkeit, in der sie trainiert und validiert werden. Unser Leitfaden zum Fine-Tuning-Server behandelt Speicher und mehrere GPUs beim Training, und der Vergleich von H200 NVL und RTX PRO 6000 für Fine-Tuning stellt die Tensor-Leistung nebeneinander.

Ein Sprachmodell auf Labordokumenten

Die meisten Labore wünschen sich zusätzlich einen Assistenten, der Publikationen, Protokolle, Sicherheits­daten­blätter und Projektberichte durchsucht. Nach unserer Regel für Nutzer je Karte, 0,9 × vom Treiber gemeldeter Speicher − 3 GiB je Karte − Gewichte, bietet eine RTX PRO 6000 Server Edition 83,0 GiB und eine H200 NVL 123,4 GiB.

Unsere Schätzung nach der Regel für Nutzer je Karte: gpt-oss-120b mit 60,8 GiB Gewichten und 1,125 GiB KV-Cache in 16 Bit je Konversation mit 32K, Qwen3.8-27B FP8 mit 28,8 GiB und 2,14 GiB, wie in unserem Leitfaden zum Server mit zwei Karten.

Ein Labor mit fünfzig Personen hat selten mehr als eine Handvoll Anfragen gleichzeitig in Arbeit; eine Karte oder eine MIG-Instanz trägt den Assistenten daher oft allein, und die übrigen Karten rechnen weiter Simulationen. Wie größere Assistenten dimensioniert werden, zeigt unser Leitfaden zum Server mit zwei RTX PRO 6000 Server Edition. Die Retrieval-Plattform, Zugriffsrechte auf Dokumente und das Abfrageprotokoll gehören zu unserem Service Private AI/ML.

Vier Konfigurationen für ein Chemie- oder Materiallabor

Sie gehen von den Referenz­konfigurationen auf unserer Seite zu KI-Servern aus. Arbeitsspeicher und Prozessorkerne folgen NVIDIAs Konfigurations­leitfaden für NVIDIA-Certified Systems: mindestens das Doppelte des GPU-Speichers als Arbeitsspeicher, mindestens sechs Kerne je GPU und zwei Sockel.

Referenz­konfigurationen unserer Seite zu KI-Servern und NVIDIAs Konfigurations­leitfaden für NVIDIA-Certified Systems (30. September 2026). Leistung an der Steckdose nach unserer Schätzung: Karten mit 600 W plus zwei Prozessoren (EPYC 9135 mit 200 W bei zwei RTX PRO 6000 Server Edition, EPYC 9355 mit 280 W bei zwei H200 NVL und bei vier Karten beider Typen), plus 15 Prozent für den Rest.

Ein Labor mit MD und DFT bekommt zwei Server: vier RTX PRO 6000 Server Edition für den Durchsatz an Simulationen und zwei oder vier H200 NVL für FP64. Für große DFT-Kampagnen oder das Training von Foundation-Potentialen trägt unser Trainingsknoten acht H200 NVL mit NVLink-Brücken, 2,3 TB DDR5-ECC, acht NVMe-Laufwerke und 400G-Netzwerk; unsere Seite zum Server mit vier H200 NVL zeigt, was eine NVLink-Domäne fasst. Die Kartenwahl allgemein behandelt unser Vergleich vier RTX PRO 6000 oder vier H200 NVL.

Prozessoren, Arbeitsspeicher und Datenspeicher rund um die Karten

Simulationsprogramme beanspruchen die Prozessoren stärker als das Serving von LLMs. LAMMPS betreibt 2 bis 10 MPI-Tasks je GPU und hält die PPPM-FFT und die gebundenen Terme auf der CPU, und GROMACS teilt die CPU-Kerne auf seine Ranks auf. Vier Karten mit LAMMPS und bis zu zehn Tasks je Karte verlangen bis zu 40 Kerne, deutlich mehr als die 24, die NVIDIAs Leitfaden für vier GPUs nennt. Deshalb legen wir die Prozessoren nach den Programmen aus; unser Leitfaden EPYC oder Xeon für einen GPU-Server erklärt die Abwägung.

Den Bedarf an Datenspeicher bestimmen die Trajektorien. Ein unkomprimierter Frame mit einer Million Atomen enthält 12 MB Koordinaten in einfacher Genauigkeit, 10.000 Frames ergeben also nach unserer Rechnung 120 GB; komprimierte Formate wie XTC von GROMACS speichern deutlich weniger. Lokale NVMe-Laufwerke nehmen die laufenden Jobs auf, fertige Trajektorien wandern auf den Fileserver oder in den Objektspeicher des Labors. Unser Leitfaden zu NVMe-Speicher für einen GPU-Server behandelt Laufwerksklassen und Haltbarkeit.

Strom, Kühlung und Dauerlast

Eine Simulation hält ihre Karte tagelang nahe der vollen Leistung, anders als ein Chat-Dienst, der zwischen Anfragen ruht. Nach unserer Schätzung zieht ein Server mit zwei Karten und zwei EPYC 9135 rund 1,8 kW an der Steckdose und einer mit vier Karten und zwei EPYC 9355 rund 3,4 kW, mit Karten bei 600 W. Mit H200 NVL bei 600 W zieht ein Server mit zwei Karten und zwei EPYC 9355, wie in unseren H200-NVL-Konfigurationen, rund 2,0 kW und einer mit vier Karten rund 3,4 kW. Einen 230-V-Anschluss mit 16 A planen wir mit 80 Prozent ein, also 2,94 kW; der Server mit vier Karten braucht daher einen einphasigen Anschluss mit 32 A oder Drehstrom. Dells technischer Leitfaden zum PowerEdge XE7740 begrenzt die Zulufttemperatur mit H200 NVL auf 30 °C, der Raum zählt also so viel wie der Anschluss. Unser Leitfaden zum Stromanschluss von GPU-Servern mit 16 A, 32 A und Drehstrom geht redundante Netzteile durch.

So bauen und liefern wir den Laborserver

Diesen Server können Sie bei uns kaufen: Unser Team legt die Konfiguration auf Ihre Arbeitslast und Ihr Budget aus und antwortet innerhalb eines Werktages. Die Auslegung ist kostenlos. Wir montieren den Server, testen ihn vor der Lieferung und liefern ihn in die gesamte EU mit einem Vertrag und einer Rechnung, mit Herstellergarantie auf jede Komponente, und für die Montage stehen wir selbst ein; andere Ziele laufen über unseren Logistikpartner. Auf Wunsch installieren wir Betriebssystem, NVIDIA-Treiber, CUDA und eine Container-Runtime und nehmen den Server vor Ort in Betrieb. Stückzahlen und Lieferzeit werden mit dem Angebot schriftlich bestätigt.

Für ein Angebot brauchen wir Programme und Versionen, die Genauigkeit jedes Programms, typische Systemgrößen, die Zahl gleichzeitiger Simulationen, ein geplantes Training von Potentialen und den Stromanschluss am Rackplatz; senden Sie uns diese Angaben über das Formular, und wir antworten mit einer Konfiguration und einem schriftlichen Angebot.

FAQ