Frameworks17.11.2026 · 05:301 nguồn

Tăng tốc mô phỏng động lực học phân tử với các nguyên mẫu chính xác và linh hoạt bằng NVIDIA cuPotential

Từ developer.nvidia.com

Ảnh: developer.nvidia.com
AI;DR

Động lực học phân tử (MD) là công cụ không thể thiếu trong vật lý, hóa học, sinh học và khoa học vật liệu. Nhờ cấu trúc tính toán, đặc biệt là việc đánh giá song song nhiều tương tác cặp nguyên tử, các mã MD là một trong những mã đầu tiên được chuyển đổi để chạy trên GPUs. Tuy nhiên, khi GPUs phát triển, việc tối ưu hóa kernel và đảm bảo khả năng tương thích trên các phần cứng không đồng nhất đã trở nên khó khăn hơn bao giờ hết đối với nhiều nhà phát triển engine MD. Cụ thể, trong các mô phỏng chạy với các trường lực cổ điển, việc đánh giá các tương tác tầm xa dưới các điều kiện biên tuần hoàn, chẳng hạn như tĩnh điện và tán xạ, vẫn là nút thắt cổ chai chính về tính toán và kỹ thuật. NVIDIA cuPotential, một thư viện chuyên dụng được thiết kế cho động lực học phân tử, sẽ giải quyết những thách thức này. Bằng cách cung cấp các nguyên mẫu mô-đun với C API, cuPotential cho phép các nhà phát triển và người dùng chọn các thành phần cụ thể từ nhiều lớp của stack để tăng tốc khối lượng công việc (Figure 1). cuPotential cung cấp các tiện ích không gian trực tiếp và không gian nghịch đảo như các bộ đánh giá tương tác dựa trên cutoff và các hàm phân tán điện tích. Bản phát hành này cũng cung cấp một plugin dành riêng cho OpenMM như một ví dụ, do tính phổ biến của nó trong hệ sinh thái nhà phát triển. Mục tiêu là thay thế liền mạch với những thay đổi tối thiểu đối với mã của người dùng.

Đọc bài gốcĐăng nhập để góp ý

Nguồn

Bản tin mỗi sáng

Tin quan trọng nhất trong ngày. Miễn phí, hủy bất cứ lúc nào.

Telegram @aihomnay