NVIDIA Luncurkan BioIR: Lipat Protein 2,9x Lebih Cepat, Hemat Energi 68%

NVIDIA baru saja mengeluarkan BioNeMo Inference Runtime (BioIR), library Python open source yang dirancang buat mempercepat model prediksi struktur biomolekul — kayak Boltz-2, OpenFold2, dan OpenFold3 — di GPU NVIDIA sambil tetap di ekosistem PyTorch biasa. Jadi kamu nggak perlu repot-repot compile CUDA, install nvcc, atau urus CMake. Cukup Python 3.12+, GPU NVIDIA yang kompatibel, checkpoint model yang sudah di-stage, dan file A3M MSA per rantai protein. Roda (wheel) precompiled CUBIN-nya sudah siap di GitHub, jadi tinggal pip install dan jalan.

Kenapa ini penting? Karena bottleneck riset protein modern nggak lagi soal “bisa nggak lipat protein ini”, tapi “secepat apa antrian ribuan target bisa diproses”. Dari parsing sekuens, tokenisasi, pembuatan fitur, inferensi GPU, sampai nulis output PDB/mmCIF — semuanya jadi pipeline yang harus cepat. BioIR ngerjain ini dengan tiga lapis percepatan: pemilihan kernel otomatis (BioIR custom, cuEquivariance, atau fallback PyTorch), optimasi modul lewat CUDA Graph capture lewat fungsi optimize(), dan pipeline scaling pakai Ray yang naruh satu replika model penuh di tiap GPU lalu bagi tugas independen di antaranya. Catatan penting: Ray nggak membagi satu forward pass ke multi-GPU; mode replika ini skala worklist, bukan target tunggal.

Benchmark Nyata: 1.000 Dimer Manusia di 8xH100

Tim NVIDIA jalanin benchmark matched pada 1.000 target dimer manusia (total panjang sekuens gabungan di bawah 2.800 residu) di 8 GPU H100 80GB. Dua sisi dibandingin: BioIR-accelerated Boltz-2 vs implementasi open-source Boltz-2 yang dikompilasi pakai torch.compile. Semuanya pakai target, MSA, resep inferensi (3 recycle, 200 langkah sampling, 5 sampel difusi), dan konfigurasi GPU yang identik. Hasilnya mengejutkan: BioIR selesaiin semua 1.000 target dan ngecapai 58.5K residu terlipat per GPU-jam yang dialokasikan. Implementasi publik? Cuma 20.2K residu per GPU-jam dan kehabisan memori (OOM) di 29 target. Itu artinya throughput residue-normalized naik 2,90x. Angka-angka ini spesifik buat dataset dan hardware ini — blog teknis NVIDIA sendiri nge-warn jangan digeneralin ke model atau dataset lain yang didukung BioIR.

Hemat Energi Masif Buat Skala Proteom

Kalau diekstrapolin linier ke 1 juta target sebanding, BioIR estimasi butuh 11 MWh vs 35 MWh untuk implementasi publik pakai ekuivalen TDP 8-GPU. Pakai ekuivalen daya maksimum full-node, angkanya 21 MWh vs 64 MWh. Ini estimasi daya rated untuk equipment IT saja (folding only), belum termasuk overhead data center kayak PUE. Tapi penghematan 23 sampai 43 MWh per juta target itu angka material banget buat kampanye skala proteom yang butuh budget listrik dan karbon footprint yang terkontrol.

Sudah Terbukti di Skala Produksi

BioIR bukan cuma benchmark lab. Library ini sudah dipakai production-scale buat ekspansi AlphaFold Database baru-baru ini — generate struktur kompleks protein di 4.777 proteom, sekitar 31 juta kandidat kompleks, dengan 1,81 juta dilepaskan sebagai prediksi high-confidence. Itu bukti nyata kalau arsitekturnya siap hadapi beban kerja skala besar, bukan cuma demo toy.

• Tidak perlu CUDA toolkit, nvcc, atau CMake — cukup wheel precompiled
• Tetap di PyTorch native: model tetap torch.nn.Module biasa, tanpa engine build atau export step
• Dukung Boltz-2, OpenFold2 monomer, OpenFold3 via end-to-end processor atau integrasi PyTorch langsung
• Ray replica mode: 1 model penuh per GPU, CPU stages overlap dengan GPU folding
• Estimasi hemat energi 68% (TDP) hingga 67% (full-node) per juta target

Buat kamu yang riset protein, drug discovery, atau bioinformatics: BioIR buka pintu buat jalanin worklist ribuan target di hardware yang relatif terjangkau (single node 8xH100) tanpa pusing setup infrastructure kompleks. Cek GitHub repo-nya, docs, dan BioNeMo Agent Toolkit kalau mau orchestrasi agentic. Ini langkah besar buat bikin prediksi struktur skala proteom jadi rutinitas, bukan proyek khusus.