面向液态金属凝固过程的分子动力学GPU并行化研究与实现

摘要

随着计算机技术和集成电路技术的发展，作为图形处理器的GPU(Graphics Processing Unit)现已发展成为专为密集型、高度并行的计算而设计的CPU的协处理器，用以完成大规模的计算任务。另一方面，MD(Molecular Dynamics)作为一种离散模拟方法，通过对大量模拟分子的运动进行定量和定性的分析，从而得出模拟体系的各种性质，现已被广泛应用于物理、化学、生物、材料、医学等各个领域。但其庞大的计算量制约着研究的发展。因此本文基于CUDA(Computer Unified Device Architecture)技术利用GPU完成液态金属凝固过程中的分子动力学模拟具有重要理论和实际意义。在液态金属凝固过程中，模拟体系中包含的原子数越多，模拟结果越精确，观察到的微观性质越多，越能预测事物的发展趋势，进而对具体生产提供指导。
　　本文首先对GPU并行计算和分子动力学模拟方法进行了分析。在此基础上，对传统的分子动力学空间分解方法进行改进，使之与GPU计算架构相适应，提出一种细粒度空间算法，缩小任务计算粒度，充分利用GPU内大量的处理核。应用细粒度空间分解法，对分子动力学模拟中最耗时的部分（近邻原子表的更新以及作用力的计算）给出并行计算模型，对基于GPU的分子动力学并行算法进行分析，并通过在NVIDIA Tesla M2050 GPU上进行实现，将模拟系统的规模扩大到10000000原子。此外，针对并行模型的计算性能做了一系列的测试和评估，包括:采用不同的CUDA精度（单精度和双精度）;采用不同型号的GPU(NVIDIA 480GTX，580GTX和M2050);采用不同规模的CPU集群。将这些测试结果进行对比，测试结果表明:对于不同规模的模拟体系，基于GPU的计算相对于相应的串行计算而言带来了9-11倍的加速效果;相对于CPU集群（包含16个CPU处理核），GPU获得了1.5-2个加速比。
　　基于分子动力学模拟结果，采用不同的物理结构分析方法对其进行物理模拟实验。首先，采用双体分布函数对模拟结果值与理论实验值进行比较，结果表明两者之间很吻合。另外，通过原子团簇结构模型还观察到了宏观材料中更完整的原子团簇结构信息，比如大规模的液态金属凝固过程中纳米团簇的形成过程，以及不同的成核演化机制等。

目录

声明

摘要

插图索引

附表索引

第1章 绪论

1．1 课题研究背景及目的

1．1．1 课题来源和背景

1．1．2 研究目的及意义

1．2 国内外研究概况

1．2．1 国内外并行计算的发展概况

1．2．2 国内外分子动力学的发展概况

1．3 本文的构想及主要工作

第2章 分子动力学模拟方法

2．1 基本原理

2．2 势函数

2．3 初始化条件

2．4 运动积分求解过程

2．4．1 积分求解方法-VERLET算法

2．4．2 周期性边界条件

2．4．3 最近镜像原则

2．4．4 截断半径方法-最佳元胞分割

2．4．5 积分步长及约化单位

2．5 小结

第3章 分子动力学并行计算模型

3．1 并行计算基础

3．2 分子动力学并行算法

3．3 PVM并行模型

3．4 OpenMP+MPI并行模型

3．5 小结

第4章 分子动力学GPU并行算法分析与设计

4．1 GPU架构与CUDA编程技术

4．1．1 GPU架构

4．1．2 CUDA编程方法

4．2 基于CUDA的优化

4．2．1 内存访问优化

4．2．2 数据通信优化

4．2．3 指令优化

4．3 基于GPU的并行分子动力学模拟方法分析

4．3．1 原子间作用力并行计算的分析

4．3．2 基于GPU的分子动力学算法总体设计与流程

4．4 小结

第5章 分子动力学GPU并行算法实现与性能分析

5．1 运行平台架构及配置

5．2 系统的初始化

5．3 基于GPU的MD并行计算实现

5．4 实验结果与性能分析

5．4．1 不同精度的GPU的性能比较

5．4．2 不同型号的GPU的性能比较

5．4．3 单CPU与单GPU的性能比较

5．4．4 CPU集群与单GPU的性能比较

5．5 小结

第6章 基于分子动力学计算结果的物理模拟实验

6．1 引言

6．2 双体分布函数分析

6．3 键对类型指数分析

6．4 原子集群分析

6．5 小结

结论

参考文献

致谢

附录A (攻读硕士学位期间所发表的学术论文目录)

附录B (攻读硕士学位期间所参与的学术科研活动)