基于GPU的分子动力学模拟方法研究

论文摘要

随着集成电路技术的发展,图形处理器（Graphics Processing Unit,GPU）的发展相当迅速,GPU的计算能力及存储器带宽均已大大超过目前主流CPU。将GPU作为CPU的协处理器完成大规模数据密集型的计算任务,相对于集群和超级计算机的实现,具有很高的每瓦特性能、每平方英尺性能和性能／价格比。另一方面,分子动力学（Molecular Dynamics, MD）模拟作为研究复杂凝聚态系统的有力工具,广泛应用于物理、化学、生物、材料、医学等各个领域,但计算能力一直是制约其研究发展的瓶颈。因此,本文基于CUDA （Computer Unified Device Architecture,统一计算设备架构）平台,利用GPU完成分子动力学模拟具有重要的理论意义和现实意义。本文在对基于CUDA的GPU并行计算技术和分子动力学模拟方法进行深入研究的基础上,将GPU与分子动力学模拟相结合,选取模拟耗时90%的分子间作用力计算部分,给出了基于CUDA的并行计算模型,分析了并行计算方法,给出了基于GPU的分子动力学模拟算法流程,通过在Intel Dual-Core 2.93GHzCPU和GeForce GTS 250 GPU上进行了实现,测试结果表明GPU带来了20倍的加速效果。在分析分子间作用力并行计算模型不足的基础上,给出了一种改进的并行计算方法,并以测试结果说明了改进方法的有效性。分子动力学模拟的目的是获取宏观统计物理量,热力学量就是一种常见的物理量。本文研究了GPU加速的热力学量提取方法,给出了热力学量提取的CUDA并行化模型和算法流程,进行了CUDA并行实现和测试。结果表明,在误差极小的情况下,基于GPU的热力学量提取得到了190倍的速度提升。径向分布函数（radial distribution function, RDF）也是一种常见的物理量,用来研究物质的有序性和电子的相关性。本文研究了GPU加速的RDF提取方法,将邻近分子搜索算法映射为GPU线程并行处理过程,给出了邻近分子搜索的CUDA并行计算模式。测试结果表明,GPU的加速比为360,且计算结果的误差为零。基于GPU的RDF提取方法研究,为GPU在光滑粒子流动动力学（Smoothed Particle Hydrodynamics, SPH）方法、N-body问题、生命科学、纳米技术等方面的应用奠定了基础。

论文目录

• 摘要
• Abstract
• 目录
• 第1章 引言
• 1.1 研究背景及意义
• 1.2 国内外研究现状及发展趋势
• 1.3 本文的主要研究内容和组织结构
• 第2章 分子动力学模拟方法
• 2.1 概述
• 2.2 势函数
• 2.3 积分求解方法
• 2.4 截断半径法
• 2.5 周期性边界条件
• 2.6 最近镜像原则
• 2.7 本章小结
• 第3章 GPU内存访问优化策略研究
• 3.1 GPU架构与CUDA编程方法
• 3.1.1 GPU架构
• 3.1.2 CUDA编程方法
• 3.2 内存访问优化策略研究
• 3.2.1 全局内存访问优化
• 3.2.2 共享内存访问优化
• 3.2.3 常量内存访问优化
• 3.2.4 寄存器访问优化
• 3.3 本章小结
• 第4章 基于GPU的并行MD模拟方法研究
• 4.1 概述
• 4.2 两级并行MD模拟的实现
• 4.2.1 分子间作用力并行计算的分析
• 4.2.2 基于GPU的算法流程
• 4.2.3 实验结果
• 4.3 MD模拟的CUDA优化
• 4.3.1 改进的分子间作用力计算方法
• 4.3.2 实验结果与分析
• 4.3.3 结论与思考
• 4.4 本章小结
• 第5章 GPU加速热力学量与RDF提取的研究
• 5.1 概述
• 5.2 GPU加速热力学量提取的研究
• 5.2.1 热力学量
• 5.2.2 热力学量提取的CUDA并行实现
• 5.2.3 实验结果与分析
• 5.2.4 结论与思考
• 5.3 GPU加速RDF提取的研究
• 5.3.1 RDF
• 5.3.2 RDF提取的CUDA并行实现
• 5.3.3 实验结果与分析
• 5.3.4 结论与思考
• 5.4 本章小结
• 第6章 结论
• 6.1 本文工作总结
• 6.2 下一步工作展望
• 致谢
• 参考文献
• 攻读学位期间获得与学位论文相关的科研成果目录