论文部分内容阅读
随着集成电路技术的发展,图形处理器(Graphics Processing Unit,GPU)的发展相当迅速,GPU的计算能力及存储器带宽均已大大超过目前主流CPU。将GPU作为CPU的协处理器完成大规模数据密集型的计算任务,相对于集群和超级计算机的实现,具有很高的每瓦特性能、每平方英尺性能和性能／价格比。另一方面,分子动力学(Molecular Dynamics, MD)模拟作为研究复杂凝聚态系统的有力工具,广泛应用于物理、化学、生物、材料、医学等各个领域,但计算能力一直是制约其研究发展的瓶颈。因此,本文基于CUDA (Computer Unified Device Architecture,统一计算设备架构)平台,利用GPU完成分子动力学模拟具有重要的理论意义和现实意义。本文在对基于CUDA的GPU并行计算技术和分子动力学模拟方法进行深入研究的基础上,将GPU与分子动力学模拟相结合,选取模拟耗时90%的分子间作用力计算部分,给出了基于CUDA的并行计算模型,分析了并行计算方法,给出了基于GPU的分子动力学模拟算法流程,通过在Intel Dual-Core 2.93GHzCPU和GeForce GTS 250 GPU上进行了实现,测试结果表明GPU带来了20倍的加速效果。在分析分子间作用力并行计算模型不足的基础上,给出了一种改进的并行计算方法,并以测试结果说明了改进方法的有效性。分子动力学模拟的目的是获取宏观统计物理量,热力学量就是一种常见的物理量。本文研究了GPU加速的热力学量提取方法,给出了热力学量提取的CUDA并行化模型和算法流程,进行了CUDA并行实现和测试。结果表明,在误差极小的情况下,基于GPU的热力学量提取得到了190倍的速度提升。径向分布函数(radial distribution function, RDF)也是一种常见的物理量,用来研究物质的有序性和电子的相关性。本文研究了GPU加速的RDF提取方法,将邻近分子搜索算法映射为GPU线程并行处理过程,给出了邻近分子搜索的CUDA并行计算模式。测试结果表明,GPU的加速比为360,且计算结果的误差为零。基于GPU的RDF提取方法研究,为GPU在光滑粒子流动动力学(Smoothed Particle Hydrodynamics, SPH)方法、N-body问题、生命科学、纳米技术等方面的应用奠定了基础。