基于GPU的分子动力学模拟中电荷分布算法的研究

摘要

图形处理器(GPU)因为其独特的硬件架构，硬件性能提升一直非常迅速。GPU在密集型运算方面表现出的强大性能，使其在通用计算领域得到了越来越多的重视。GPU通用计算的概念很早就被提出，但受限于编程复杂度和精度等问题，一直没有得到广泛的应用。随着CPU性能瓶颈的到来，以及现代GPU在可编程性的等方面不断提高，GPU开始作为密集型计算的协处理器得到了广泛的应用。主要的GPU厂商NVIDIA和AMD都推出了自己的GPGPU编程模型，并不断的提供改进。CUDA(Compute Unified DeviceArchitecture)是由NVIDIA公司提供的面向GPU的并行通用计算构架，提供支持使用C语言进行开发的编程模型，解决了过去使用GPU开发需要过度依赖于图形处理API的缺点，大大降低了开发人员面向GPU编程的难度，并加入了对双精度的支持，提供了一个完整的GPU通用运算解决方案。
　　 分子动力学模拟是应用分子动力学方法对凝聚态物质的微观结构和运动进行数值模拟的计算机模拟方法。以分子动力学法构建分子体系的数学模型，通过计算模仿出分子体系的行为。分子动力学模拟在很多方面严重依赖于大规模高密度计算，对高性能计算能力有强大的需求。将CUDA与分子动力学模拟相结合，通过GPU加速电荷分布的计算，具有广泛的现实意义。
　　 原子-键电负性均衡方法的ABEEMσπ模型，依据密度泛函理论和电负性均衡原理，提出新的分子动力学模拟中电荷分布计算方法。改进了使用以原子为中心的固定电荷模型，充分考虑到分子中化学键的存在，应用在化学大分子和生物分子体系，有较好的精确度，引起一定的关注，其效果也得到了普遍的肯定。
　　 本文在ABEEMσπ电荷分布计算MPI程序基础上，比较了三种不同的并行任务划分方案，提出了ABEEMσπ电荷分布计算MPI+CUDA并行方案。并根据MPI+CUDA异构并行架构的特点，对电荷分布算法在数据并行的基础上加入了任务并行，提高了整个任务的并行度。对GPU和CPU之间的通信机制进行了改进，通过将计算和传输重叠的方法，隐藏通信开销，提高算法的效率。实际实验结果表明，CUDA能够有效加快较大规模分子体系模拟的电荷分布计算速度。