分子动力学 (MD) 是物理学、化学、生物学和材料科学领域不可或缺的工具。由于 MD 代码的算术结构,尤其是对许多原子对相互作用的并行评估,MD 代码是首批移植到 GPU 上运行的代码之一。然而,随着 GPU 的发展,对于许多 MD 引擎开发者而言,优化内核和确保跨异构硬件的兼容性已变得比以往更加困难。
具体而言,在使用经典力场运行的模拟中,在周期性边界条件下 (如静电和色散) 评估远程相互作用仍然是主要的计算和工程瓶颈。
NVIDIA cuPotential 是专为分子动力学设计的专用库,可应对这些挑战。通过提供带有 C API 的模块化基元, cuPotential 使开发者和用户能够从堆栈的多个层中选择特定组件,以加速工作负载 (图 1) 。
cuPotential 提供直接空间和倒数空间实用程序,例如基于截止值的交互评估器和电荷传播函数。例如,鉴于 OpenMM 在开发者生态系统中的受欢迎程度,此版本还提供了一个专为 OpenMM 打造的插件。目标是在对用户代码进行尽可能少的更改的情况下实现无缝的插入式替换。
本文将介绍如何将插件集成到 OpenMM 中,根据高精度参考评估准确性,并衡量仿真吞吐量。它还为需要控制参数表示和更新的开发者介绍了两个示例。最后,它简要讨论了新的分割和传播方法背后的科学和误差分析。通过在仿真中严格关注准确性和能量漂移,开发者可以在不影响仿真结果的情况下集成 cuPotential 内核提供的加速并从中受益。

为 OpenMM 构建 cuPotential 运行时和插件
cuPotential 由两部分组成:核心方法库和 OpenMM 插件,后者使用可直接在 Linux conda 环境中构建的基元。以下教程将介绍如何构建运行时和插件、安装 Python wheel 以及运行所提供的分子动力学示例。
预备知识
- 配备受支持的 NVIDIA GPU 的 Linux x86-64
- 已安装与 CUDA 13.1 兼容的 NVIDIA 驱动程序
- 为您的 shell 安装并初始化 Conda 或 Micromamba
- 从 NVIDIA/cuPotential GitHub 存储库中克隆 cuPotential 存储库
该环境提供 CUDA 工具包和编译器;无需单独安装系统级 CUDA 工具包。GPU 驱动程序必须已安装在主机上。
第 1 步: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
或者,您可以使用 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
接下来,安装 Python 构建依赖项:
python -m pip install "pybind11>=2.12" nvidia-mathdx
cuda-toolkit 软件包提供 CUDA 编译器和开发工具。单独设置 cuda-version 并不会安装这些工具。
第 2 步:将构建助手程序指向活动环境
在 plugins/openmm/run_build 中,替换:
OPENMM=/opt/openmm
包括:
OPENMM="${CONDA_PREFIX:?Activate the conda environment first}"
在激活环境时,Conda 和 Micromamba 均设置了 CONDA_PREFIX。
第 3 步:构建并安装
使用环境处于活动状态的 cuPotential 存储库根目录:
export CUDACXX="$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
构建助手编译 cuPotential 运行时 (如果尚未存在) ,然后构建 OpenMM 插件。最终安装命令还会安装 wheel 声明的 pip CUDA 依赖项。
第 4 步:验证安装
直接运行提供的示例:
cd plugins/openmm/samples
./solvated_systems/run
该样本可在 NVT 和 NPT 条件下评估 DHFR (二氢叶酸还原酶) 、BACE ( – Secretase 1) 和 ApoA1 (载脂蛋白 A1) 。DHFR 和 ApoA1 系统来自 OpenMM 基准测试套件,而 BACE 则来自 OpenFE 基准测试集。成功运行的最终结果是:
PASS
样本使用 AMBER14/ TIP3P 力场、0.9 纳米非键合相互作用截止长度、5 x 10+ 静电精度目标和混合精度。其 4 fs 时间步长与受限的氢键、刚性水以及氢质量重新分区至 1.5 amu 配对。
这些运行分别衡量准确性和性能。对于静电,它使用双精度参考比较两种实现,对短程部件使用两倍截止长度,对长程部件使用两倍网格分辨率,同时 Ewald 分割参数保持不变。对于截断的 Lennard-Jones 交互,它在同一截止点使用双精度参考,从而保留正在测试的交互模型。
对于吞吐量,每个实现都运行 500 个预热步骤,然后是 3000 个计时步骤。cuPotential ARM 使用自己的力量和积分器,以及用于 NPT 的 Barostat。因此,报告的加速描述了集成配置。
将 cuPotential 与 OpenMM 结合使用
cuPotential OpenMM 插件可替代 OpenMM 非键合力、Langevin 积分器和蒙特卡罗 Barostat。在生产 MD 仿真中,将 cuPotential 集成到 OpenMM 的关键步骤包括:
- 在创建仿真环境之前,替换系统的 OpenMM 非键合力
- 使用积分器和 cuPotential 的可选 Barostat
import openmm as mm
import openmm.unit as unit
import nv_openmm_plugin as nv
temperature = 300 * unit.kelvin # Temperature, 300 K
timestep = 0.004 * unit.picoseconds # Timestep, 4 fs
friction_coeff = 1.0 / unit.picoseconds # Friction coefficient in Langevin thermostat
pressure = 1.0 * unit.bar # Pressure if using barostat for NPT
# Prepare the system using OpenMM. Replace with your system.
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,
)
# replace OpenMM NonbondedForce instance with the plugin's NonbondedForce
for index, force in enumerate(system.getForces()):
if isinstance(force, mm.NonbondedForce):
system.addForce(nv.NonbondedForce(force))
system.removeForce(index)
break
# The cuPotential integrator handles center-of-mass motion removal.
for index, force in enumerate(system.getForces()):
if isinstance(force, mm.CMMotionRemover):
system.removeForce(index)
break
integrator = nv.LangevinMiddleIntegrator(
temperature,
friction_coeff,
timestep,
)
# Optionally, add cuPotential barostat for NPT simulations
system.addForce(nv.MonteCarloBarostat(
pressure, # Pressure
temperature, # Match the integrator temperature.
frequency=25, # Attempt a volume change every 25 steps.
))
# Create the simulation after configuring all forces.
simulation = app.Simulation(
pdb.topology,
system,
integrator,
mm.Platform.getPlatformByName("CUDA"),
{"Precision": "mixed"},
)
simulation.context.setPositions(pdb.positions)
simulation.minimizeEnergy() # OpenMM 8.4 only
simulation.context.setVelocitiesToTemperature(temperature)
simulation.step(1000)
此摘录表明集成发生了变化。完整示例包括系统构建、CUDA 上下文创建、准确性检查和计时。对于 NPT 模拟,它还使用 nv.MonteCarloBarostat。
当前插件的目标是矩形周期盒中的求解、密度近似一致的系统,这在生物分子模拟中很常见。它接受 PME 源作用力;不支持 LJPME、三斜线框和 OpenMM 粒子或异常参数偏移。在调整现有模拟之前,请参阅插件 README。
在 OpenMM 中对 cuPotential 进行基准测试
当使用内置插件将 cuPotential 集成到 OpenMM 中时,在各种 GPU 架构中,对于 24000 到 400000 个原子范围内的系统,即 DHFR、TYK2 ( OpenFE 基准测试中的 Tyrosine Kinase 2) 、BACE、ApoA1、具有 100000 个原子的水和纤维素,性能得到显著提升。
图 2 显示了一系列 GPU 在 NPT 条件下的加速措施集合。新一代 GPU (包括 NVIDIA RTX PRO Blackwell 工作站版 和 NVIDIA RTX PRO 6000 Blackwell 服务器版) 在选定的基准测试中实现了超过 3 倍的端到端加速。其他经过测试的 GPU ( NVIDIA B200、H100、A100、L40S、A10、L4 和 T4) 也受益匪浅,增益通常约为 2 倍或更多。请注意,性能数据是使用标准的非碱性化学系统测量的。

通过新的分割和传播方法提高准确性和效率
Ewald 分割,特别是粒子网格 Ewald (PME) 变体,在过去 30 年里一直是模拟领域的实际方法。最近,有人提出了一些新技术,如 u 系列、中城样条 和 异构体,但由于其技术要求高且复杂程度高,因此并未得到仿真社区的广泛采用。NVIDIA 团队一直与 D. E. Shaw Research 和 Flatiron Institute 合作,共同开发一套新的 C2 连续分割和扩展功能,这些功能适用广泛、准确度高且性能出色。
图 3 显示了针对各种网格分辨率和截止距离的详细误差基准分析,突出显示了 cuPotential 方法相对于 Ewald 和 u 系列的准确度分布。这些分析是在 NPT 条件下使用 100K 原子水系统完成的,统计数据计算超过 25 帧。Ewald Alpha 参数经过调整,逐渐达到所需的力容差。
我们团队的方法能够减少实际空间截止值和/ 或倒数空间网格大小,并且不会损失准确性 (与近乎精确的机制相比) ,在 OpenMM 指定的默认设置下定义为 L2 Force RMSE。我们预先注意到,u 系列未针对力误差进行优化,而是针对集成误差进行了优化,我们只是选择参数来实现所需的力误差,以便与 OpenMM 保持一致。

除静电以外,通过 cuPotential 对晶格色散相互作用的核进行分割和分布,可以更准确地对高度非极性和膜系统进行建模。传统的同构分析校正可能会导致严重的模拟伪影。
与传统方法相比,cuPotential 能够将色散能量的精度显著提高数千倍,同时以显著降低的计算成本保持类似的力误差 (图 4) 。我们省略了 u 系列,因为 DESRES 的原始论文仅涉及静电。在实践中,由于 NBFix 引入的复杂性以及规则组合,将截止时间降低到 6A 仍然会带来巨大的挑战。

准确性和能量漂移分析
对于长期规模的模拟,测量能量漂移是确保尽可能减少泄漏的重要验证步骤。虽然存在许多潜在的误差来源,但除了分割之外,重要的是,库不是漂移的主要原因。与具有用于截断 Lennard-Jones 交互的平滑切换函数的标准 OpenMM 相比,它可以测量截止截断的影响,该截止截断归因于核函数分割下直接空间中的残差。
与 PME 的默认设置相比,cuPotential 可将漂移显著减少数百倍,远远超过生物分子模拟社区的典型要求。图 5 显示了 10000 个分子硬水系统在 10 纳秒的过程中的能量漂移,cuPotential 和标准 OpenMM 的截止值为 9%,而融合 PME 的截止值为 20%。我们使用了 2 fs 时间步长和 300 K 模拟温度。对于漂移估计,能量漂移 ΔE = E(t) – E(20ps) 在 6 万个自由度以上实现了标准化。

开始使用 cuPotential 加速 MD 仿真
NVIDIA cuPotential 可加速分子动力学模拟,同时提供模块化灵活性和高数值准确性。要开始使用并了解更多信息,请访问 NVIDIA/cuPotential GitHub 资源库,您将在其中找到更多示例、基准测试和代码,以便将这些加速基元集成到您自己的 MD 仿真中。
致谢
我们要感谢 D. E. Shaw Research 和 Flatiron 研究所计算数学中心的合作者,感谢他们在科学和数学方面的贡献、讨论以及对新的分割和传播方法背后的误差分析的指导。