はじめに

プロメテック・ソフトウェアの三上です。HPCインフラエンジニアとしてHPC基盤の設計や構築に携わっています。

GPUは流体シミュレーションなど高速化の効果が高いと評価されていますが、今回、GPUを用いて分子動力学（MD）シミュレーションがどの程度高速化できるのかを評価してみました。MDシミュレーションは多数の分子のポテンシャルや座標を計算する必要があり、GPUの効果が期待される分野の一つです。MDシミュレーション領域では多くのOSS（オープンソースソフトウェア）が利用できますが、今回はその一つであるLAMMPSを評価しています。

LAMMPSのインストールや利用方法はLAMMPSのウェブサイト上に掲載されています。LAMMPSの性能評価結果は以下に掲載されていますが、古いデータが多く最近のデータセンター向けGPUのNVIDIA A100のベンチマークデータがありません。そのため、NVIDIA A100を用いてベンチマークを取得してみました。

• LAMMPS Benchmarks

汎用MD計算ソフト LAMMPSについて

LAMMPSはサンディア国立研究所により開発された古典分子動力学（MD）計算プログラムです。金属、半導体、生体分子、ポリマー、メゾスコピック系物質など多様な物質に対してのポテンシャルが用意されているのが特徴です。

今回の評価環境

• LAMMPS version: 2Aug2023
• CUDA Version: 12.2
• GPU: NVIDIA A100 80GB PCIe
• CPU: Intel(R) Xeon(R) Gold 5317 CPU @ 3.00GHz

LAMMPSのビルド

LAMMPSのビルドには、CMakeまたはMakeを用いますが今回はCMakeを用いました。CMakeに必要なCMakeLists.txtはLAMMPSのパッケージに同梱されています。

cmake ../cmake -C ../cmake/presets/basic.cmake \
-D PKG_ASPHERE=ON \
-D PKG_GPU=ON \
-D GPU_API=cuda \
-D GPU_ARCH=sm_80 \
-DBIN2C=/usr/local/cuda/bin/bin2c

Examples

LAMMPSを用いて、いくつかの入力ファイルに対して実行結果をCPUとGPUを用いて測定して比較してみました。

今回使用したスクリプトは、LAMMPS公式ページのものを引用しています。

性能の結果は以下のようになりました。スクリプト詳細については、以下に示しています。

EAM Potential

今回使用したLAMMPSスクリプトは以下です。

# bulk Cu lattice

log logs/log.eam append
variable        x index 1
variable        y index 1
variable        z index 1


variable        xx equal 20*$x
variable        yy equal 20*$y
variable        zz equal 20*$z

units           metal
atom_style      atomic

lattice         fcc 3.615
region          box block 0 ${xx} 0 ${yy} 0 ${zz}
create_box      1 box
create_atoms    1 box

pair_style      eam
pair_coeff      1 1 Cu_u3.eam

velocity        all create 1600.0 376847 loop geom

neighbor        1.0 bin
neigh_modify    every 1 delay 5 check yes

fix             1 all nve

timestep        0.005
thermo          10
# dump mydmp all atom 100 dump.eam.lammpstrj

run             10000

以下のように、GPUパッケージを用いてNVIDIA A100上で計算を行う場合とCPU(Intel(R) Xeon(R) Gold 5317 CPU @3.00GHz)1コアで計算を行う場合の二通りで計算を行いました。

$ lmp -sf gpu -pk gpu 1 -in in.eam   // GPUを用いる場合
$ lmp -in in.eam // CPUを用いる場合

GB Potential

今回使用したLAMMPSスクリプトは以下です。

# Gay-Berne benchmark
# biaxial ellipsoid mesogens in isotropic phase
# shape: 2 1.5 1
# cutoff 4.0 with skin 0.8
# NPT, T=2.4, P=8.0

units         lj
atom_style    ellipsoid

# creation
#lattice          sc 0.22
#region       box block 0 32 0 32 0 32
#create_box    1 box
#create_atoms  1 box
#set          group all quat/random 982381

read_data     data.gb

compute       rot all temp/asphere
group         spheroid type 1
variable      dof equal count(spheroid)+3
compute_modify rot extra ${dof}

velocity      all create 2.4 41787 loop geom

pair_style    gayberne 1.0 3.0 1.0 4.0
pair_coeff    1 1 1.0 1.0 1.0 0.5 0.2 1.0 0.5 0.2

neighbor      0.8 bin

timestep      0.002
thermo        10
dump mydmp all atom 5 dump.eam2.lammpstrj

# equilibration
#fix          1 all npt/asphere temp 2.4 2.4 0.1 iso 5.0 8.0 0.1
#compute_modify 1_temp extra ${dof}
#run          100
#write_restart tmp.restart

fix       1 all npt/asphere temp 2.4 2.4 0.2 iso 8.0 8.0 0.2
run       1000

以下のように、GPUパッケージを用いてNVIDIA A100上で計算を行う場合とCPU(Intel(R) Xeon(R) Gold 5317 CPU @3.00GHz)1コアで計算を行う場合の二通りで計算を行いました。

$ lmp -sf gpu -pk gpu 1 -in in.gb   // GPUを用いる場合
$ lmp -in in.gb // CPUを用いる場合

SW Potential

今回使用したLAMMPSスクリプトは以下です。

# bulk Si via Stillinger-Weber

units       metal
atom_style  atomic

lattice     diamond 5.431
region      box block 0 20 0 20 0 10
create_box  1 box
create_atoms    1 box

pair_style  sw
pair_coeff  * * Si.sw Si
mass            1 28.06

velocity    all create 1000.0 376847 loop geom

neighbor    1.0 bin
neigh_modify    delay 5 every 1

fix     1 all nve

timestep    0.001
thermo        10
dump mydmp all atom 5 dump.sw.lammpstrj

run     20000

以下のように、GPUパッケージを用いてNVIDIA A100上で計算を行う場合とCPU(Intel(R) Xeon(R) Gold 5317 CPU @3.00GHz)1コアで計算を行う場合の二通りで計算を行いました。

$ lmp -sf gpu -pk gpu 1 -in in.sw   // GPUを用いる場合
$ lmp -in in.sw // CPUを用いる場合

まとめ

GPUを用いたLAMMPS分子動力学シミュレーションの性能評価結果を紹介しました。
プロメテックグループ最大規模のカンファレンスPrometech Simulation Conference 2023では、「GPUを活かした計算化学と機械学習」と題して、DFT計算から得られた学習データからニューラルネットワークを用いて機械学習を行い、ポテンシャル関数を生成してシミュレーションを行う例でGPUの性能評価を紹介しますので、是非そちらもご覧ください。