![]()
分子动力学(MD)是物理学、化学、生物学和材料科学领域不可或缺的工具。由于其算法结构的特点,尤其是对大量原子对相互作用的并行计算,MD 代码是最早被移植到 GPU 上运行的程序之一。然而,随着 GPU 的不断演进,对许多 MD 引擎开发者而言,优化计算核心并确保在异构硬件间的兼容性变得愈发困难。
具体而言,在采用经典力场运行的模拟中,周期性边界条件下长程相互作用(如静电力和色散力)的计算,仍然是主要的计算与工程瓶颈。
NVIDIA cuPotential 是一款专为分子动力学设计的专用库,旨在应对这些挑战。通过提供带有 C API 的模块化基础工具,cuPotential 使开发者和用户能够从技术栈的多个层级中选择特定组件来加速工作负载(见图 1)。
cuPotential 提供了直接空间和倒易空间的实用工具,例如基于截断的相互作用评估器和电荷扩散函数。鉴于 OpenMM 在开发者生态系统中的广泛普及,本次发布还提供了一个专门为 OpenMM 设计的插件作为示例。其目标是实现无缝的即插即用替换,只需对用户代码做最小改动。
本文将介绍如何将该插件集成到 OpenMM 中、如何根据高精度参考值评估准确性,以及如何测量模拟吞吐量。文章还为需要控制参数表示和更新的开发者介绍了两个示例。最后,简要讨论了新的拆分与扩散方法背后的科学原理和误差分析。这种对模拟精度和能量漂移的严谨把控,使开发者能够在不影响模拟结果的前提下,集成并受益于 cuPotential 内核带来的加速效果。
构建 cuPotential 运行时及 OpenMM 插件
cuPotential 由两部分组成:核心方法库,以及一个可直接在 Linux 的 conda 环境中构建、用于调用基础工具的 OpenMM 插件。以下教程将介绍如何构建运行时和插件、安装 Python wheel 包,以及运行附带的分子动力学示例。
前提条件
配备受支持 NVIDIA GPU 的 Linux x86-64 系统
已安装与 CUDA 13.1 兼容的 NVIDIA 驱动程序
已安装并针对所用 shell 初始化的 Conda 或 Micromamba
从 NVIDIA/cuPotential GitHub 仓库克隆的代码
该环境提供 CUDA 工具包和编译器;无需在系统层面单独安装 CUDA 工具包。GPU 驱动程序必须已在主机上安装完成。
第一步:创建并激活环境
使用 Conda 创建并激活环境:
conda create -y -n cupotential-build -c conda-forge \\ python=3.12 openmm=8.4.0 \\ cuda-version=13.1 cuda-toolkit=13.1 \\ cmake make gcc_linux-64=13 gxx_linux-64=13 \\ swig pip setuptools wheel numpy conda activate cupotential-build
或者,也可以使用 Micromamba:
micromamba create -y -n cupotential-build -c conda-forge \\ python=3.12 openmm=8.4.0 \\ cuda-version=13.1 cuda-toolkit=13.1 \\ cmake make gcc_linux-64=13 gxx_linux-64=13 \\ swig pip setuptools wheel numpy micromamba activate cupotential-build
接下来,安装 Python 构建依赖项:
python -m pip install "pybind11>=2.12" nvidia-mathdx
cuda-toolkit 软件包提供 CUDA 编译器及开发工具。仅设置 cuda-version 并不会安装这些工具。
第二步:将构建辅助脚本指向已激活的环境
在 plugins/openmm/run_build 文件中,将:
OPENMM=/opt/openmm
替换为:
OPENMM="${CONDA_PREFIX:?Activate the conda environment first}"
Conda 和 Micromamba 在环境被激活时都会设置 CONDA_PREFIX 变量。
第三步:构建并安装
在激活环境的情况下,于 cuPotential 代码仓库根目录执行:
export CUDACXX="$CONDA_PREFIX/bin/nvcc" export CUDAHOSTCXX="$CXX" ./plugins/openmm/run_build python -m pip wheel \\ --no-deps --no-build-isolation \\ --wheel-dir plugins/openmm/dist \\ ./plugins/openmm python -m pip install plugins/openmm/dist/*.whl
构建辅助脚本会在 cuPotential 运行时尚不存在的情况下进行编译,然后构建 OpenMM 插件。最后的安装命令还会安装 wheel 包所声明的 pip CUDA 依赖项。
第四步:验证安装
直接运行附带的示例:
cd plugins/openmm/samples ./solvated_systems/run
该示例在 NVT 和 NPT 条件下分别评估了 DHFR(二氢叶酸还原酶)、BACE(β-分泌酶 1)和 ApoA1(载脂蛋白 A1)。其中 DHFR 和 ApoA1 系统来自 OpenMM 基准测试套件,而 BACE 来自 OpenFE 基准测试集。成功运行后会显示:
PASS
该示例采用 AMBER14/TIP3P 力场、0.9 纳米的非键相互作用截断长度、5×10?? 的静电精度目标,以及混合精度计算。其 4 飞秒的时间步长搭配了氢键约束、刚性水模型,以及将氢质量重新分配至 1.5 amu 的处理方式。
这些测试分别对准确性和性能进行了单独测量。对于静电力部分,测试比较了两种实现与双精度参考值之间的差异,其中短程部分使用两倍的截断长度,长程部分在每个维度上使用两倍的网格分辨率,同时保持 Ewald 拆分参数固定不变。对于截断的 Lennard-Jones 相互作用,测试在相同截断长度下使用双精度参考值,以保持所测试相互作用模型的一致性。
在吞吐量测试方面,每种实现均运行 500 步预热,随后进行 3,000 步计时运行。cuPotential 测试组使用其自身的力计算和积分器,并在 NPT 条件下使用其自带的恒压器。因此,报告的加速比描述的是该整体集成配置的表现。
在 OpenMM 中使用 cuPotential
cuPotential 的 OpenMM 插件为 OpenMM 的非键力、Langevin 积分器以及蒙特卡洛恒压器提供了替代方案。在实际生产环境的 MD 模拟中,将 cuPotential 集成到 OpenMM 的关键步骤包括:
在创建模拟上下文之前,替换系统中的 OpenMM 非键力
使用来自 cuPotential 的积分器,并可选择性地使用其恒压器
示例代码展示了集成过程中所需的代码变更。完整示例还包括系统构建、CUDA 上下文创建、准确性检查以及计时等内容。对于 NPT 模拟,还会用到 nv.MonteCarloBarostat。
当前插件主要针对生物分子模拟中常见的、密度近似均匀的溶剂化系统,且采用矩形周期性盒子。它支持 PME 来源力;但不支持 LJPME、三斜晶格盒子以及 OpenMM 的粒子或例外参数偏移。在对现有模拟进行适配前,请查阅插件的 README 文件。
在 OpenMM 中对 cuPotential 进行基准测试
当通过内置插件将 cuPotential 集成到 OpenMM 中后,针对 24,000 至 400,000 个原子规模的系统(包括 DHFR、TYK2(来自 OpenFE 基准测试的酪氨酸激酶 2)、BACE、ApoA1、10 万原子水系统以及纤维素),在多种 GPU 架构上均能显著提升性能。
图 2 展示了在 NPT 条件下多款 GPU 的加速效果汇总。较新一代 GPU,包括 NVIDIA RTX PRO 6000 Blackwell 工作站版和 NVIDIA RTX PRO 6000 Blackwell 服务器版,在部分基准测试中实现了超过 3 倍的端到端加速。其他经过测试的 GPU(NVIDIA B200、H100、A100、L40S、A10、L4 和 T4)同样受益,加速比通常在 2 倍左右或更高。需要注意的是,这些性能数据均基于标准的非微扰(non-alchemical)系统测量得出。
通过新的拆分与扩散方法提升准确性与效率
Ewald 拆分法,特别是其粒子网格 Ewald(PME)变体,在过去 30 年中一直是该模拟领域事实上的标准方法。近年来,业界提出了诸如 u-series、midtown splines 和 prolates 等新技术,但由于其较高的技术门槛和复杂性,尚未被模拟社区广泛采用。NVIDIA 团队一直与 D. E. Shaw Research 和 Flatiron Institute 合作,开发了一套新的 C2 连续拆分与扩散函数,具有广泛适用性、高精度和高性能的特点。
图 3 展示了在不同网格分辨率和截断距离下的详细误差基准分析,突出了 cuPotential 方法相对于 Ewald 和 u-series 的准确性表现。这些分析基于 NPT 条件下的 10 万原子水系统,统计数据基于 25 帧计算得出。Ewald 的 alpha 参数经过调整,以渐近方式达到所需的力误差容限。
NVIDIA 团队的方法能够在不损失准确性的前提下(相较于近似精确状态),缩减实空间截断距离和/或倒易空间网格尺寸,该准确性定义为 OpenMM 默认设置下的 L2 力均方根误差。需要特别说明的是,u-series 方法并非针对力误差进行优化,而是针对系综误差进行优化,为了与 OpenMM 保持一致,我们仅选取了能够达到所需力误差的参数。
除静电力之外,cuPotential 为晶格色散相互作用提供的拆分与扩散内核,还能够更准确地模拟高度非极性系统和膜系统。传统的均质解析修正方法可能导致严重的模拟伪影。
与传统方法相比,cuPotential 能够将色散能量的精度提升数千倍,同时在显著降低计算成本的情况下保持相近的力误差水平(见图 4)。由于 DESRES 的原始论文仅涵盖静电力部分,因此图中未包含 u-series 方法的对比。实际应用中,由于 NBFix 及混合规则所带来的复杂性,将截断距离缩减至 6 埃仍面临巨大挑战。
准确性与能量漂移分析
对于长时间尺度的模拟而言,测量能量漂移是确保误差泄漏被最小化的重要验证步骤。尽管误差来源众多,但除拆分方法本身外,确保该库并非漂移的主要来源同样至关重要。与采用平滑切换函数处理截断 Lennard-Jones 相互作用的标准 OpenMM 相比,可以测量出由核拆分下直接空间残差所引起的截断效应。
与 PME 默认设置相比,cuPotential 将能量漂移显著降低了数百倍,远超生物分子模拟社区的通常要求。图 5 展示了一个包含 10,000 个分子的刚性水系统在 10 纳秒模拟过程中的能量漂移情况,其中 cuPotential 和标准 OpenMM 均使用 9 埃的截断距离,而经过收敛验证的 PME 则使用 20 埃截断距离。模拟采用 2 飞秒时间步长,温度设定为 300 K。能量漂移估算公式为 ΔE = E(t) – E(20ps),并在 60,000 个自由度上进行归一化处理。
开始使用 cuPotential 加速 MD 模拟
NVIDIA cuPotential 在加速分子动力学模拟的同时,兼具模块化灵活性和高数值精度。如需开始使用并了解更多信息,请访问 NVIDIA/cuPotential GitHub 仓库,您将在那里找到更多示例、基准测试数据以及代码,帮助您将这些加速基础工具集成到自己的 MD 模拟中。
致谢
我们感谢 D. E. Shaw Research 和 Flatiron Institute 计算数学中心的合作伙伴,他们在新拆分与扩散方法背后的误差分析方面,提供了宝贵的科学与数学贡献、讨论和指导。
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.