分子動力學(xué)模擬中近程非鍵結(jié)力計(jì)算的GPU加速.pdf

1、分子模擬計(jì)算在當(dāng)代化學(xué)、生物學(xué)及制藥學(xué)等科學(xué)領(lǐng)域的研究中扮演著不可替代的作用。通過分子模擬計(jì)算可以大大縮短這些學(xué)科的研究周期，同時極大地提高其實(shí)驗(yàn)成功率。現(xiàn)今主流的分子模擬手段是分子動力學(xué)模擬法。盡管在模擬速度上取得了突破性的進(jìn)展，但是分子動力學(xué)模擬計(jì)算也有著不可避免的瓶頸問題：原子間近程非鍵結(jié)力(Near Non-bonded Force，NNF)的計(jì)算耗時嚴(yán)重。實(shí)驗(yàn)表明，這部分計(jì)算占據(jù)模擬計(jì)算總時間的80％以上。加速近程非鍵結(jié)力計(jì)算

2、對提高分子動力學(xué)模擬計(jì)算的整體速度，乃至進(jìn)一步縮減相關(guān)學(xué)科的研究周期有著顯而易見的價(jià)值。
　　 本文分析了NNF計(jì)算相關(guān)理論和實(shí)現(xiàn)方法，提出采用GPGPU思想加速該計(jì)算。當(dāng)代GPU高并行度、多線程的特征特別適合用來并行化NNF計(jì)算。本文選取性能卓越的開源分子動力學(xué)模擬軟件Desmond作為實(shí)驗(yàn)對象，分析了使用GPU并行化其NNF計(jì)算的可行性，并采用當(dāng)前在GPGPU方向取得突出成績的CUDA技術(shù)實(shí)現(xiàn)了Desmond中NNF計(jì)算的G

3、PU加速。本文為NNF計(jì)算的GPU加速設(shè)計(jì)了細(xì)粒度和粗粒度兩種任務(wù)劃分方案，分析了兩者的利弊，并在更適用于GPU的粗粒度方案基礎(chǔ)上為GPU上的NNF計(jì)算精心設(shè)計(jì)了完備的數(shù)據(jù)通信了存儲方案，從而實(shí)現(xiàn)了NNF計(jì)算GPU并行化，將NNF計(jì)算的速度提高到原來的5倍左右。接著本文著手于GPU-NNF計(jì)算的性能優(yōu)化，分別從實(shí)現(xiàn)算法和CUDA技術(shù)兩個層面設(shè)計(jì)了諸多優(yōu)化策略，主要包括算法上的計(jì)算依賴性優(yōu)化及CUDA技術(shù)上的通信、訪存及指令等優(yōu)化。這些優(yōu)