分子動力學(MD)是物理學、化學、生物學和材料科學領域不可或缺的工具。由於其算法結構的特點,尤其是對大量原子對相互作用的並行計算,MD 代碼是最早被移植到 GPU 上運行的程序之一。然而,隨著 GPU 的不斷演進,對許多 MD 引擎開發者而言,優化計算核心並確保在異構硬體間的兼容性變得愈發困難。
具體而言,在採用經典力場運行的模擬中,周期性邊界條件下長程相互作用(如靜電力和色散力)的計算,仍然是主要的計算與工程瓶頸。
NVIDIA cuPotential 是一款專為分子動力學設計的專用庫,旨在應對這些挑戰。通過提供帶有 C API 的模組化基礎工具,cuPotential 使開發者和用戶能夠從技術棧的多個層級中選擇特定組件來加速工作負載(見圖 1)。
cuPotential 提供了直接空間和倒易空間的實用工具,例如基於截斷的相互作用評估器和電荷擴散函數。鑑於 OpenMM 在開發者生態系統中的廣泛普及,本次發布還提供了一個專門為 OpenMM 設計的插件作為示例。其目標是實現無縫的即插即用替換,只需對用戶代碼做最小改動。
本文將介紹如何將該插件集成到 OpenMM 中、如何根據高精度參考值評估準確性,以及如何測量模擬吞吐量。文章還為需要控制參數表示和更新的開發者介紹了兩個示例。最後,簡要討論了新的拆分與擴散方法背後的科學原理和誤差分析。這種對模擬精度和能量漂移的嚴謹把控,使開發者能夠在不影響模擬結果的前提下,集成並受益於 cuPotential 核心帶來的加速效果。
構建 cuPotential 運行時及 OpenMM 插件
cuPotential 由兩部分組成:核心方法庫,以及一個可直接在 Linux 的 conda 環境中構建、用於調用基礎工具的 OpenMM 插件。以下教學將介紹如何構建運行時和插件、安裝 Python wheel 包,以及運行附帶的分子動力學示例。
前提條件
配備受支持 NVIDIA GPU 的 Linux x86-64 系統
已安裝與 CUDA 13.1 兼容的 NVIDIA 驅動程式
已安裝並針對所用 shell 初始化的 Conda 或 Micromamba
從 NVIDIA/cuPotential GitHub 倉庫克隆的代碼
該環境提供 CUDA 工具包和編譯器;無需在系統層面單獨安裝 CUDA 工具包。GPU 驅動程式必須已在主機上安裝完成。
第一步:創建並激活環境
使用 Conda 創建並激活環境:
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
接下來,安裝 Python 構建依賴項:
python -m pip install "pybind11>=2.12" nvidia-mathdx
cuda-toolkit 軟體包提供 CUDA 編譯器及開發工具。僅設置 cuda-version 並不會安裝這些工具。
第二步:將構建輔助腳本指向已激活的環境
在 plugins/openmm/run_build 文件中,將:
OPENMM=/opt/openmm
替換為:
OPENMM="${CONDA_PREFIX:?Activate the conda environment first}"
Conda 和 Micromamba 在環境被激活時都會設置 CONDA_PREFIX 變量。
第三步:構建並安裝
在激活環境的情況下,於 cuPotential 代碼倉庫根目錄執行:
export CUDACXX="$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
構建輔助腳本會在 cuPotential 運行時尚不存在的情況下進行編譯,然後構建 OpenMM 插件。最後的安裝命令還會安裝 wheel 包所聲明的 pip CUDA 依賴項。
第四步:驗證安裝
直接運行附帶的示例:
cd plugins/openmm/samples ./solvated_systems/run
該示例在 NVT 和 NPT 條件下分別評估了 DHFR(二氫葉酸還原酶)、BACE(β-分泌酶 1)和 ApoA1(載脂蛋白 A1)。其中 DHFR 和 ApoA1 系統來自 OpenMM 基準測試套件,而 BACE 來自 OpenFE 基準測試集。成功運行後會顯示:
PASS
該示例採用 AMBER14/TIP3P 力場、0.9 納米的非鍵相互作用截斷長度、5×10?? 的靜電精度目標,以及混合精度計算。其 4 飛秒的時間步長搭配了氫鍵約束、剛性水模型,以及將氫質量重新分配至 1.5 amu 的處理方式。
這些測試分別對準確性和性能進行了單獨測量。對於靜電力部分,測試比較了兩種實現與雙精度參考值之間的差異,其中短程部分使用兩倍的截斷長度,長程部分在每個維度上使用兩倍的網格解析度,同時保持 Ewald 拆分參數固定不變。對於截斷的 Lennard-Jones 相互作用,測試在相同截斷長度下使用雙精度參考值,以保持所測試相互作用模型的一致性。
在吞吐量測試方面,每種實現均運行 500 步預熱,隨後進行 3,000 步計時運行。cuPotential 測試組使用其自身的力計算和積分器,並在 NPT 條件下使用其自帶的恆壓器。因此,報告的加速比描述的是該整體集成配置的表現。
在 OpenMM 中使用 cuPotential
cuPotential 的 OpenMM 插件為 OpenMM 的非鍵力、Langevin 積分器以及蒙特卡洛恆壓器提供了替代方案。在實際生產環境的 MD 模擬中,將 cuPotential 集成到 OpenMM 的關鍵步驟包括:
在創建模擬上下文之前,替換系統中的 OpenMM 非鍵力
使用來自 cuPotential 的積分器,並可選擇性地使用其恆壓器
示例代碼展示了集成過程中所需的代碼變更。完整示例還包括系統構建、CUDA 上下文創建、準確性檢查以及計時等內容。對於 NPT 模擬,還會用到 nv.MonteCarloBarostat。
當前插件主要針對生物分子模擬中常見的、密度近似均勻的溶劑化系統,且採用矩形周期性盒子。它支持 PME 來源力;但不支持 LJPME、三斜晶格盒子以及 OpenMM 的粒子或例外參數偏移。在對現有模擬進行適配前,請查閱插件的 README 文件。
在 OpenMM 中對 cuPotential 進行基準測試
當通過內置插件將 cuPotential 集成到 OpenMM 中後,針對 24,000 至 400,000 個原子規模的系統(包括 DHFR、TYK2(來自 OpenFE 基準測試的酪氨酸激酶 2)、BACE、ApoA1、10 萬原子水系統以及纖維素),在多種 GPU 架構上均能顯著提升性能。
圖 2 展示了在 NPT 條件下多款 GPU 的加速效果匯總。較新一代 GPU,包括 NVIDIA RTX PRO 6000 Blackwell 工作站版和 NVIDIA RTX PRO 6000 Blackwell 伺服器版,在部分基準測試中實現了超過 3 倍的端到端加速。其他經過測試的 GPU(NVIDIA B200、H100、A100、L40S、A10、L4 和 T4)同樣受益,加速比通常在 2 倍左右或更高。需要注意的是,這些性能數據均基於標準的非微擾(non-alchemical)系統測量得出。
通過新的拆分與擴散方法提升準確性與效率
Ewald 拆分法,特別是其粒子網格 Ewald(PME)變體,在過去 30 年中一直是該模擬領域事實上的標準方法。近年來,業界提出了諸如 u-series、midtown splines 和 prolates 等新技術,但由於其較高的技術門檻和複雜性,尚未被模擬社區廣泛採用。NVIDIA 團隊一直與 D. E. Shaw Research 和 Flatiron Institute 合作,開發了一套新的 C2 連續拆分與擴散函數,具有廣泛適用性、高精度和高性能的特點。
圖 3 展示了在不同網格解析度和截斷距離下的詳細誤差基準分析,突出了 cuPotential 方法相對於 Ewald 和 u-series 的準確性表現。這些分析基於 NPT 條件下的 10 萬原子水系統,統計數據基於 25 幀計算得出。Ewald 的 alpha 參數經過調整,以漸近方式達到所需的力誤差容限。
NVIDIA 團隊的方法能夠在不損失準確性的前提下(相較於近似精確狀態),縮減實空間截斷距離和/或倒易空間網格尺寸,該準確性定義為 OpenMM 默認設置下的 L2 力均方根誤差。需要特別說明的是,u-series 方法並非針對力誤差進行優化,而是針對系綜誤差進行優化,為了與 OpenMM 保持一致,我們僅選取了能夠達到所需力誤差的參數。
除靜電力之外,cuPotential 為晶格色散相互作用提供的拆分與擴散核心,還能夠更準確地模擬高度非極性系統和膜系統。傳統的均質解析修正方法可能導致嚴重的模擬偽影。
與傳統方法相比,cuPotential 能夠將色散能量的精度提升數千倍,同時在顯著降低計算成本的情況下保持相近的力誤差水平(見圖 4)。由於 DESRES 的原始論文僅涵蓋靜電力部分,因此圖中未包含 u-series 方法的對比。實際應用中,由於 NBFix 及混合規則所帶來的複雜性,將截斷距離縮減至 6 埃仍面臨巨大挑戰。
準確性與能量漂移分析
對於長時間尺度的模擬而言,測量能量漂移是確保誤差泄漏被最小化的重要驗證步驟。儘管誤差來源眾多,但除拆分方法本身外,確保該庫並非漂移的主要來源同樣至關重要。與採用平滑切換函數處理截斷 Lennard-Jones 相互作用的標準 OpenMM 相比,可以測量出由核拆分下直接空間殘差所引起的截斷效應。
與 PME 默認設置相比,cuPotential 將能量漂移顯著降低了數百倍,遠超生物分子模擬社區的通常要求。圖 5 展示了一個包含 10,000 個分子的剛性水系統在 10 納秒模擬過程中的能量漂移情況,其中 cuPotential 和標準 OpenMM 均使用 9 埃的截斷距離,而經過收斂驗證的 PME 則使用 20 埃截斷距離。模擬採用 2 飛秒時間步長,溫度設定為 300 K。能量漂移估算公式為 ΔE = E(t) – E(20ps),並在 60,000 個自由度上進行歸一化處理。
開始使用 cuPotential 加速 MD 模擬
NVIDIA cuPotential 在加速分子動力學模擬的同時,兼具模組化靈活性和高數值精度。如需開始使用並了解更多資訊,請訪問 NVIDIA/cuPotential GitHub 倉庫,您將在那裡找到更多示例、基準測試數據以及代碼,幫助您將這些加速基礎工具集成到自己的 MD 模擬中。
致謝
我們感謝 D. E. Shaw Research 和 Flatiron Institute 計算數學中心的合作夥伴,他們在新拆分與擴散方法背後的誤差分析方面,提供了寶貴的科學與數學貢獻、討論和指導。






