分子动力学仿真：GROMACS 与 LAMMPS 并行加速实践

引言

分子动力学（Molecular Dynamics, MD） 用牛顿定律数值积分粒子的运动，是蛋白质、材料、药物设计领域最常用的仿真工具。MD 的计算特征是「短程相互作用为主 + 每步计算量大 + 需跑数百万步」——天然适合并行，也把「邻居列表、域分解、GPU 加速」这些 HPC 经典技术全部用上。

本文系统讲解 MD 仿真：牛顿积分与力场、邻居列表与域分解并行、GROMACS 与 LAMMPS 两大引擎、PMe 静电与 SHAKE 约束、性能调优与大规模实践，最后讨论 MD 负载给 HPC 架构的启示。

前置：/hpc-mpi-basics/（MPI 并行）、/hpc-openmp/（OpenMP 共享内存）、/hpc-gpu-kernel-optimization/（GPU 加速）、/hpc-parallel-algorithms/（域分解）。

目录

• 1. 分子动力学原理：积分、力场与时间步长
• 2. 计算热点：短程力与邻居列表
• 3. 并行模型：域分解与三种并行层次
• 4. GROMACS：高性能 MD 引擎实战
• 5. LAMMPS：通用 MD 引擎实战
• 6. PMe 静电与约束算法
• 7. 性能调优：从单核到千万原子
• 8. MD 工作负载与 HPC 架构
• 9. 选型：GROMACS vs LAMMPS vs Amber
• 10. 速查表与一句话记忆
• 延伸阅读

1. 分子动力学原理：积分、力场与时间步长

MD 核心：对每个原子求解牛顿方程，数值积分运动：

F_i = m_i * a_i = -∇_i U(r)      （U 为势能）
r(t+Δt) = 2*r(t) - r(t-Δt) + a*Δt²   （Velocity Verlet 积分）

力场（决定势能形式）：

U = 键伸缩 + 键角 + 二面角 + 范德华( Lennard-Jones ) + 静电(库仑)
  = 1/2k(r-r0)² + ... + 4ε[(σ/r)¹²-(σ/r)⁶] + q1q2/r

时间步长与精度：

□ 典型 Δt：1–2 fs（飞秒）
□ 氢原子运动快 → 约束（SHAKE）后可放宽到 2 fs
□ 需跑数百万步 → 总计算量 = 步数 × 每步成本

记忆：MD = 「数值解牛顿方程」——力场定势能、Verlet 做积分、步长受最快振动约束（氢键），跑百万步是常态。

2. 计算热点：短程力与邻居列表

MD 的计算特征：力主要是短程的（范德华/静电截断）。

朴素做法：N 个原子，每步算 N² 对相互作用 → 太慢
优化做法：只算截断半径 r_cut 内的邻居 → O(N)

邻居列表（Neighbor List / Verlet List）：

□ 每个原子维护 r_cut + skin 半径内的邻居列表
□ 每 M 步重建一次列表（粒子移动出 skin 才重建）
□ 把「O(N²) 相互作用」降为「O(N × 邻居数)」

格子法（Cell List）进一步加速：

□ 空间分成格子，只查相邻格子
□ 与邻居列表配合，筛选候选对
□ 是域分解并行的前提

记忆：MD 加速第一招 = 邻居列表——「只算半径内的邻居」，用空间局部性把 O(N²) 砍成 O(N)。

3. 并行模型：域分解与三种并行层次

MD 并行的主流方式 = 域分解（Domain Decomposition）：

把模拟盒子切成小区域 → 每个进程负责一个区域
  → 区域内原子自己算，区域边界原子靠邻居通信
  → 通信量 O(表面积)，随规模扩展好

三种并行层次：

层次一：MPI 进程间并行（域分解，跨节点）
层次二：OpenMP 线程（共享内存，节点内）
层次三：GPU 加速（把短程力计算卸载到 GPU）

经典组合：

mpirun  ×  OMP_NUM_THREADS  ×  GPU
（跨节点域分解）+（节点内线程）+（GPU 加速）

记忆：MD 并行 = 域分解切空间 + MPI 跨节点 + OpenMP 节点内 + GPU 卸载——「切盒子、分层次」，通信只发生在边界。

4. GROMACS：高性能 MD 引擎实战

GROMACS 是速度最快、最流行的开源 MD 引擎，特别擅长生物大分子（蛋白质/DNA）。

# 预处理：构建体系
gmx pdb2gmx -f protein.pdb -ff amber99sb -water tip3p -o prot.gro
gmx editconf -f prot.gro -d 1.0 -box 10 10 10 -o box.gro
gmx solvate -cp box.gro -cs spc216 -o solv.gro
gmx grompp -f em.mdp -c solv.gro -p topol.top -o em.tpr   # 能量最小化

# 并行运行（域分解 + GPU）
mpirun -np 32 gmx mdrun -s md.tpr -deffnm md -nb gpu -pme gpu -bonded gpu

GROMACS 关键概念：

□ .tpr：预处理后的二进制输入（拓扑+参数）
□ mdrun：并行引擎
□ -nb gpu / -pme gpu / -bonded gpu：GPU 卸载选项
□ -deffnm：默认文件名前缀
□ 输出：.log / .edr（能量）/ .xtc（轨迹）

并行加速点：

□ 短程力（-nb）→ GPU 或 CPU SIMD
□ PME 静电（-pme）→ GPU 或专用线程
□ 约束（-bonded）→ GPU
□ 线程并行：OMP_NUM_THREADS 配合

落地：GROMACS 一句话——grompp 预处理成 .tpr，mdrun 并行跑，-nb/-pme/-bonded 三项 GPU 卸载是提速关键。

5. LAMMPS：通用 MD 引擎实战

LAMMPS 以「通用与可扩展」著称，覆盖材料、聚合物、粗粒化、反应等广泛体系。

# in.lammps 输入脚本
units           metal            # 单位制
atom_style      atomic
box             type boundary p p p

pair_style      lj/cut 10.0      # 截断 Lennard-Jones
read_data       data.lj

# 域分解并行设置
partition       8x8x8            # 8×8×8 进程网格

run             10000            # 跑 1 万步

运行：

# LAMMPS 内建域分解（-sf 加速开关）
mpirun -np 64 lmp -in in.lammps -sf gpu -pk gpu 2

# 或指定加速包
mpirun -np 64 lmp -in in.lammps -sf omp

LAMMPS 特点：

□ 输入脚本驱动（.in 文件）——灵活组合
□ 多种风格（atom_style / pair_style / fix）
□ 域分解 + 多种加速包（gpu/omp/opt/intel）
□ 大量力场与粗粒化模型（DPD、Langevin 等）

对比：GROMACS「开箱即用的生物 MD 引擎」，LAMMPS「灵活通用的材料/多体系沙盒」——生物体系选 GROMACS，材料与定制体系选 LAMMPS。

6. PMe 静电与约束算法

静电是 MD 的难点：库仑力是长程力，不能简单截断。

PMe 方法（Particle Mesh Ewald）：

把静电拆成两部分：
□ 短程部分：实空间截断（邻居列表处理）
□ 长程部分：傅里叶变换到倒空间（网格 + FFT）
  → 网格求长程势，FFT 加速
  → 精度与效率平衡（网格密度决定）

PMe 3 步：
1. 把电荷分配到网格（charge spreading）
2. 求解泊松方程（FFT / 多级方法）
3. 从网格插回粒子力（force interpolation）

约束算法（SHAKE / LINCS）：固定键长/键角，放宽时间步：

□ SHAKE：几何迭代法（适用于刚性键）
□ LINCS：线性约束求解（更快，GROMACS 默认）
□ 作用：去掉最高频振动 → 步长从 1 fs 提到 2 fs

记忆：静电靠 PMe（实空间截断 + FFT 倒空间），约束靠 SHAKE/LINCS 压掉高频——两者共同决定「步长能开多大、力算得准不准」。

7. 性能调优：从单核到千万原子

性能调优路径：

1. 并行度匹配：域分解规模 ≈ sqrt(原子数 × 邻居密度)
2. GPU 卸载：-nb/-pme/-bonded 上 GPU（通常 3–10× 提升）
3. 平衡负载：域分解的盒子尺寸与进程网格匹配
4. 步长选择：约束放开到 2 fs（少跑一半步数）
5. 邻居列表：重建频率与 skin 半径平衡

常见指标：

□ ns/day：每天模拟多少纳秒（性能主指标）
□ 并行效率：N 进程加速比曲线（找拐点）
□ GPU 利用率：是否喂饱 GPU（负载均衡）
□ 通信占比：域分解边界通信 vs 计算

千万原子规模：

□ 域分解网格随规模扩展（数千核）
□ GPU 集群 + NVLink：节点内高速互联
□ 检查点：长跑必需（见容错篇）
□ 数据输出：轨迹/能量文件的 I/O 规划

心法：MD 调优三问——GPU 卸载了吗？并行效率到拐点了吗？步长能再大吗？——用 ns/day 说话，别凭感觉。

8. MD 工作负载与 HPC 架构

MD 是 HPC 架构的「真实试金石」：

对架构的启示：

□ MD 是「带宽 + 通信敏感」负载（非纯计算密集）
□ 大规模 MD 集群普遍配 InfiniBand + GPU
□ CPU 向量化（AVX-512）直接决定单核短程力速度
□ 加速比拐点后加核无益 → 算力要「匹配体系规模」

认知：MD 展示了 HPC 负载的多样性——不是越算越快，而是「通信、带宽、GPU、向量化」四者都要跟上，架构要按负载画像设计。

9. 选型：GROMACS vs LAMMPS vs Amber

三大引擎对比：

选型建议：

□ 蛋白质/生物体系 → GROMACS（性能与生态最佳）
□ 材料/聚合物/粗粒化 → LAMMPS（灵活）
□ 药物设计与 QM/MM → Amber
□ 大规模 GPU 集群 → GROMACS 优化最成熟
□ 自定义力场/新模型 → LAMMPS

记忆：生物大分子选 GROMACS、材料体系选 LAMMPS、药物/QM/MM 选 Amber——按体系与定制需求定引擎。

10. 速查表与一句话记忆

一句话记忆：MD = 牛顿积分 + 力场 + 邻居列表——域分解切空间、MPI/OpenMP/GPU 三层并行、PMe 处理静电、SHAKE 放宽步长；生物选 GROMACS、材料选 LAMMPS，用 ns/day 衡量快慢。

延伸阅读

• /hpc-mpi-basics/ — MPI 并行与通信
• /hpc-openmp/ — 共享内存并行
• /hpc-gpu-kernel-optimization/ — GPU 加速与调优
• /hpc-parallel-algorithms/ — 域分解与工作负载平衡
• /hpc-fault-tolerance/ — 长跑仿真的检查点
• [[hpc]] — 高性能计算专题