Многомасштабные квантовые и классические молекулярно-динамические модели и высокопроизводительные вычисления

Интенсивное совершенствование на протяжении последних десятилетий теоретических и вычислительных методов описания физико-химических процессов на атомистическом уровне обеспечивает фундаментальную методическую основу средств анализа и предсказания, необходимых для развития широкого спектра нанотехнологий от материаловедения до биологии. Одновременный непрерывный взрывной рост производительности компьютерной техники предоставляет уникальные возможности по моделированию сложных молекулярных систем на беспрецедентном ранее уровне точности, позволяющем формулировать и решать задачи инженерно-технологического уровня. В докладе будут даны примеры решения методами молекулярного моделирования классических и квантовых задач физики прочности материалов, расчета свойств органических ионных жидкостей, газовых гидратов и распада фотовозбужденных состояний молекул. Будут представлены примеры построения многомасштабных моделей. Будут проанализированы результаты расчетов на параллельных вычислительных системах и экзафлопсных вычислителей к таким задачам. Отдельное внимание в докладе будет уделено вычислениям на графических ускорителях (GPU). Пока на GPU реализованы лишь простейшие потенциалы взаимодействия, такие как потенциал Леннарда-Джонса. Для моделирования конденсированных веществ и сложных молекулярных систем требуются более сложные модели взаимодействий, в частности, полуэмпирический многочастичный потенциал погруженного атома для металлов (EAM). Широкий класс задач требует реализации на GPU дальнодействующего кулоновского потенциала. В данной работе рассматриваются особенности реализации потенциала EAM и кулоновского потенциала на графических ускорителях Nvidia с применением технологии CUDA. Проведено сравнение эффективности распараллеливания потенциалов Леннарда-Джонса, Кулона и EAM на GPU. Показаны ограничения на размер моделируемой системы, связанные с объемом внутренней памяти GPU. Максимальный прирост производительности при использовании GPU Nvidia GeForce 480GTX по сравнению с выполнением аналогичной программы на одном ядре центрального процессора Intel Xeon E5520 составил 180 раз для кулоновского взаимодействия и около 50 раз для короткодействующих потенциалов Леннарда-Джонса и EAM. Некоторые из рассматриваемых в докладе алгоритмов были включены авторами в свободно распространяемый пакет HOOMD-blue.