分子动力学模拟中近程非键结力计算的GPU加速

摘要

分子模拟计算在当代化学、生物学及制药学等科学领域的研究中扮演着不可替代的作用。通过分子模拟计算可以大大缩短这些学科的研究周期，同时极大地提高其实验成功率。现今主流的分子模拟手段是分子动力学模拟法。尽管在模拟速度上取得了突破性的进展，但是分子动力学模拟计算也有着不可避免的瓶颈问题：原子间近程非键结力(Near Non-bonded Force，NNF)的计算耗时严重。实验表明，这部分计算占据模拟计算总时间的80％以上。加速近程非键结力计算对提高分子动力学模拟计算的整体速度，乃至进一步缩减相关学科的研究周期有着显而易见的价值。
　　 本文分析了NNF计算相关理论和实现方法，提出采用GPGPU思想加速该计算。当代GPU高并行度、多线程的特征特别适合用来并行化NNF计算。本文选取性能卓越的开源分子动力学模拟软件Desmond作为实验对象，分析了使用GPU并行化其NNF计算的可行性，并采用当前在GPGPU方向取得突出成绩的CUDA技术实现了Desmond中NNF计算的GPU加速。本文为NNF计算的GPU加速设计了细粒度和粗粒度两种任务划分方案，分析了两者的利弊，并在更适用于GPU的粗粒度方案基础上为GPU上的NNF计算精心设计了完备的数据通信了存储方案，从而实现了NNF计算GPU并行化，将NNF计算的速度提高到原来的5倍左右。接着本文着手于GPU-NNF计算的性能优化，分别从实现算法和CUDA技术两个层面设计了诸多优化策略，主要包括算法上的计算依赖性优化及CUDA技术上的通信、访存及指令等优化。这些优化策略对提高GPU-NNF计算的速度都有着明显的作用，尤其是为计算依赖性优化设计的三种策略，将计算速度提高了近一倍。实验表明，通过GPU并行化NNF计算，可以得到10以上的加速比，将NNF计算的速度提高了一个量级，同时将Desmond整体的模拟速度提高原来的3～4倍，并且，GPU-NNF有着跟CPU上基本一致的正确性和稳定性。另外GPU-NNF计算的多卡并行性能和双精度浮点计算性能表现也同样优异。

目录

文摘

英文文摘

第一章 绪论

第一节 研究背景

第二节 本文主要工作

第三节 本文组织结构

第二章 相关理论与技术

第一节 分子模拟计算与分子动力学模拟

2.1.1 分子模拟计算概述

2.1.2 分子动力学模拟概述

第二节 分子动力学模拟中NNF的计算

2.2.1 非键结力(Non-bonded Force)计算理论

2.2.2 Desmond中NNF计算的实现

第三节 CUDA技术概述

2.3.1 GPGPU简介

2.3.2 CUDA简介

2.3.3 CUDA编程框架概述

第三章 NNF计算的GPU加速

第一节 并行化NNF计算可行性分析

3.1.1 瓶颈问题分析

3.1.2 计算的独立性分析

3.1.3 计算的依赖性分析

3.1.4 CUDA的适用性分析

第二节 计算任务划分方案

3.2.1 细粒度并行方案

3.2.2 粗粒度并行方案

3.3.3 方案优劣对比

第三节 数据通信与存储方案

3.3.1 host端跟device端通信方案

3.3.2 device存储器分配方案

第四章 GPU-NNF计算的优化

第一节 计算依赖性优化

4.1.1 策略一：分散任务映射

4.1.2 策略二：冗余合力数组

4.1.3 策略三：采用full-shell机制

第二节 基于CUDA的优化

4.2.1 通信优化

4.2.2 访存优化

4.2.3 指令优化

第五章 实验及结果分析

第一节 测试用例和实验环境

5.1.1 测试用例

5.1.2 实验环境

第二节 实验结果

5.2.1 NNF计算的加速比

5.2.2 Desmond整体的加速比

5.2.3 正确性和稳定性

5.2.4 多卡并行加速比和可扩展性

5.2.5 双精度浮点结果

第六章 总结与展望

第一节 总结

第二节 展望

参考文献

致谢

个人简历

学术论文