← 文章 / 开源项目
NVIDIA 开发者博客 49分钟前 · 2026-11-17 07:12:17 · 0 阅读

使用 NVIDIA cuPotential 加速分子动力学模拟

分子动力学(MD)是物理、化学、生物学和材料科学中不可或缺的工具。得益于其运算结构特点,尤其是大量原子对相互作用的并行计算,MD 程序是最早被移植到 GPU 上运行的应用之一。然而,随着 GPU 技术的演进,对于许多 MD 引擎开发者而言,优化内核并确保证硬件异构环境下的兼容性正变得比以往任何时候都更加困难。

具体而言,在使用经典力场进行的模拟中,在周期性边界条件下计算长程相互作用(如静电作用和色散作用)仍然是主要的计算和工程瓶颈。

NVIDIA cuPotential是一个专为分子动力学设计的库,旨在解决上述挑战。它提供带有 C API 的模块化原语,使开发者和用户能够从技术栈的多个层中选择合适的组件来加速工作负载(图 1)。

cuPotential 提供直接空间和倒易空间工具,例如基于截止半径的相互作用评估器和电荷分布函数。鉴于 OpenMM 在开发者生态系统中的流行程度,本次发布还专门提供了针对 OpenMM 的插件示例。其目标是以对用户代码改动最小的方式,实现无缝的替换方案。

本文将介绍如何将该插件集成到 OpenMM 中,如何针对高精度参考值评估准确性,以及测量模拟吞吐量。它还针对需要控制参数表示和更新的开发者提供了两个示例。最后,文章简要介绍了新的分裂和分布方法背后的科学原理及误差分析。这种对模拟准确性和能量漂移的严谨关注,使开发者能够在不影响模拟结果的前提下,轻松集成并受益于 cuPotential 内核提供的加速效果。

当前 cuPotential 库的堆栈示意图,以及它通过 C API 集成到 OpenMM 等其他 MD 引擎的方式。
图 1. cuPotential 库堆栈可通过 C API 集成到 OpenMM 等 MD 引擎中

构建 cuPotential 运行时和 OpenMM 插件

cuPotential 由两部分组成:一个核心方法库,以及一个使用这些原语的 OpenMM 插件,两者都可直接在 Linux 的 conda 环境中构建。下面的教程将带你完成运行时和插件的构建、Python wheel 的安装,并运行附带的分子动力学示例。

前置条件

  • 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
  • 已安装并为当前 shell 完成初始化的 Conda 或 Micromamba
  • 从 GitHub 上的 NVIDIA/cuPotential 仓库克隆 cuPotential 源码

环境会提供 CUDA toolkit 和编译器,无需单独安装系统级的 CUDA toolkit。但主机上必须已安装 GPU 驱动。

步骤 1: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

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

接着安装 Python 构建依赖:

python -m pip install "pybind11>=2.12" nvidia-mathdx

cuda-toolkit 包提供 CUDA 编译器和开发工具。仅设置 cuda-version 并不会安装这些工具。

步骤 2:将构建辅助工具指向活动环境

在 plugins/openmm/run_build 中,替换以下内容:

OPENMM=/opt/openmm

为:

OPENMM="${CONDA_PREFIX:?Activate the conda environment first}"

Conda 和 Micromamba 在激活环境时都会设置 CONDA_PREFIX。

步骤 3:构建并安装

在 cuPotential 仓库根目录,并确保环境已激活:

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

构建辅助工具会在 cuPotential 运行时未存在的情况下先编译它,然后构建 OpenMM 插件。最后的安装命令也会安装该 wheel 文件声明的 pip CUDA 依赖项。

步骤 4:验证安装

直接运行提供的示例:

cd plugins/openmm/samples
./solvated_systems/run

该示例在 NVT 和 NPT 两种条件下,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。运行成功时会以以下内容结束:

PASS

示例使用 AMBER14/TIP3P 力场、0.9 nm 的非键相互作用截断长度、$5 \times 10^{-4}$ 的静电精度目标,以及混合精度。其 4 fs 时间步长与约束氢键、刚性水模型以及将氢质量重新分配至 1.5 amu 相结合。

这些运行分别测量精度和性能。对于静电相互作用,它会与双精度参考实现进行对比,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,并固定 Ewald 分裂参数。对于截断的 Lennard-Jones 相互作用,它使用相同截断下的双精度参考,以保持被测相互作用模型的一致性。

吞吐量方面,每种实现都先运行 500 步预热,再进行 3,000 步计时。cuPotential 部分使用自己的力和积分器,NPT 模拟还使用其恒压器。因此报告中提到的加速比对应的是这套整体配置。

在 OpenMM 中使用 cuPotential

cuPotential 的 OpenMM 插件可以替代 OpenMM 的非键合力、Langevin 积分器和 Monte Carlo 恒压器。在生产级 MD 模拟中,将 cuPotential 集成到 OpenMM 的关键步骤如下:

  1. 在创建模拟上下文之前,替换系统中原有的 OpenMM 非键合力
  2. 使用 cuPotential 的积分器,可选配其恒压器
import openmm as mm
import openmm.unit as unit
import nv_openmm_plugin as nv

temperature = 300 * unit.kelvin      # 温度,300 K
timestep = 0.004 * unit.picoseconds  # 时间步长,4 fs
friction_coeff = 1.0 / unit.picoseconds   # Langevin 恒温器中的摩擦系数
pressure = 1.0 * unit.bar            # 若使用压控器进行 NPT 模拟时的压力

# 使用 OpenMM 准备系统,请替换为您的具体系统。
pdb = app.PDBFile("solvated.pdb")
forcefield = app.ForceField("amber14-all.xml", "amber14/tip3p.xml")

system = forcefield.createSystem(
    pdb.topology,
    nonbondedMethod=app.PME,
    nonbondedCutoff=0.9 * unit.nanometers,
    ewaldErrorTolerance=5e-4,
    constraints=app.HBonds,
    rigidWater=True,
    hydrogenMass=1.5 * unit.amu,
)

# 用插件的 NonbondedForce 替换 OpenMM 的 NonbondedForce 实例
for index, force in enumerate(system.getForces()):
    if isinstance(force, mm.NonbondedForce):
        system.addForce(nv.NonbondedForce(force))
        system.removeForce(index)
        break

# cuPotential 积分器负责处理质心动量消除。
for index, force in enumerate(system.getForces()):
    if isinstance(force, mm.CMMotionRemover):
        system.removeForce(index)
        break

integrator = nv.LangevinMiddleIntegrator(
    temperature,
    friction_coeff,
    timestep,
)
# 可选:为 NPT 模拟添加 cuPotential 压控器
system.addForce(nv.MonteCarloBarostat(
    pressure,           # 压力
    temperature,        # 与积分器温度保持一致
    frequency=25,       # 每 25 步尝试改变一次体积
))

# 配置完所有力后创建模拟对象。
simulation = app.Simulation(
    pdb.topology,
    system,
    integrator,
    mm.Platform.getPlatformByName("CUDA"),
    {"Precision": "mixed"},
)
simulation.context.setPositions(pdb.positions)
simulation.minimizeEnergy() # 仅支持 OpenMM 8.4
simulation.context.setVelocitiesToTemperature(temperature)

simulation.step(1000)

该代码片段展示了积分器的变化。完整示例包含系统构建、CUDA context 创建、精度校验及计时功能。对于 NPT 模拟,还会使用 nv.MonteCarloBarostat。

当前插件针对的是矩形周期盒子中溶剂化的、密度大致均匀的体系,这也是生物分子模拟的典型场景。它接受 PME source 力,不支持 LJPME、三斜盒子以及 OpenMM 的粒子或 exception 参数偏移。改造现有模拟前,请先查阅插件的 README。

在 OpenMM 中对 cuPotential 进行基准测试

将 cuPotential 通过内置插件集成到 OpenMM 后,在 24,000 到 400,000 原子规模的体系上(包括 DHFR、TYK2(酪氨酸激酶 2,来自 OpenFE 基准测试)、BACE、ApoA1、10 万原子的水体系以及纤维素),各类 GPU 架构上的性能都有显著提升。

图 2 展示了在 NPT 条件下多款 GPU 上的加速比。新一代 GPU,包括 NVIDIA RTX PRO 6000 Blackwell Workstation Edition 和 NVIDIA RTX PRO 6000 Blackwell Server Edition,在部分基准测试中端到端加速超过 3 倍。其他测试过的 GPU(NVIDIA B200、H100、A100、L40S、A10、L4 和 T4)同样受益,提升通常在 2 倍左右或更高。需要注意的是,这些性能数据均基于标准(非 alchemical)体系测得。

Chart showing a collection of measured speedups compared to equivalent OpenMM settings showing broad improvement across NVIDIA GPUs from two to over three times.
图 2. cuPotential 集成到 OpenMM 后 MD 模拟的加速效果

通过新的拆分与铺展方法提升精度和效率

Ewald 分割法,特别是粒子网格 Ewald(PME)变体,在过去 30 年一直是模拟领域事实上的标准方法。近期,虽然提出了 u 系列、midtown splines 和 prolates 等新技术,但由于其技术要求高且复杂,尚未在模拟社区得到广泛采用。NVIDIA 团队正与 D. E. Shaw Research 和 Flatiron Institute 合作,开发一套新的 C2 连续分割与扩散函数,旨在实现广泛的适用性、高精度和高性能。

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,突显了 cuPotential 方法相对于 Ewald 法和 u 系列的精度表现。这些分析在 NPT 条件下对 10 万原子水系统执行,统计结果基于 25 个帧计算。Ewald 的 alpha 参数经过调优,以渐近方式达到所需的力容差。

我们的方法允许在不损失精度的前提下缩小实空间截断距离和/或倒易空间网格尺寸(此处精度指在 OpenMM 默认设置下定义的 L2 力均方根误差,并与近乎精确的区域进行比较)。需要预先说明的是,u 系列原本并非为力误差优化,而是为系综误差优化;为了与 OpenMM 保持一致,我们简单地选择了参数以达到所需的力误差。

四联图,展示在 6 和 9 埃截断下,能量与力误差收敛情况随网格大小的变化,表明 cuPotential 在每轴网格点数更少的情况下即可达到与 Ewald 和 u-series 设置相当的精度。
图 3. 能量与力误差随网格大小变化的收敛曲线。cuPotential 在每轴网格点数更少的设置下即可达到所需精度

除了静电作用,通过 cuPotential 对晶格色散相互作用进行拆分与扩散,还能更精确地建模强非极性体系和膜体系。传统的均匀解析修正可能引发严重的模拟伪影。

与传统方法相比,cuPotential 能将色散能的精度提升数千倍,同时在大幅降低计算成本的情况下保持相当的力误差(图 4)。由于 DESRES 的原始论文只涉及静电作用,这里没有纳入 u-series。实际上,把截断距离降到 6 埃仍然面临巨大挑战,因为 NBFix 和组合规则会引入额外的复杂性。

四面板图,展示了分散相互作用能量和力误差随网格尺寸变化的收敛情况,分别在 6 和 9 Å 截断距离下。结果表明,cuPotential 在比 Ewald 设置更低的每轴网格点数下即可达到所需的精度。
图 4. 分散相互作用能量和力误差随网格尺寸变化的收敛曲线。cuPotential 再次在更低的每轴网格点数设置下实现了同等精度

精度与能量漂移分析

在长时间尺度模拟中,测量能量漂移是验证误差泄漏是否最小化的关键步骤。除核分裂(splitting)外,尽管误差来源众多,但必须确保库本身不是漂移的主要原因。与使用平滑开关函数处理截断 Lennard-Jones 相互作用的默认 OpenMM 相比,可以测量核分裂中由实空间残留误差导致的截断效应。

与 PME 的默认设置相比,cuPotential 将漂移降低了数百倍,远超生物分子模拟社区的典型要求。图 5 展示了 10,000 个刚性水分子系统在 10 ns 模拟过程中的能量漂移。其中,cuPotential 和标准 OpenMM 使用 9 Å 截断距离,而收敛的 PME 则使用 20 Å 截断距离。模拟步长为 2 fs,温度为 300 K。能量漂移估算公式为 $\Delta E = E(t) - E(20\text{ps})$,并按 60,000 个自由度进行归一化。

模拟的能量漂移曲线,显示 cuPotential 相比标准 OpenMM 模拟显著降低了能量漂移,并与高质量参考运行的结果一致。
图 5. 模拟能量漂移曲线与高精度参考结果的对比

开始用 cuPotential 加速 MD 模拟

原始来源: NVIDIA 开发者博客

评论 (0)