NVIDIA cuPotential es una biblioteca modular para acelerar simulaciones de dinámica molecular en GPU. NVIDIA presenta sus componentes y un complemento para OpenMM, además de resultados de precisión y rendimiento.
En simulaciones con campos de fuerza clásicos, calcular interacciones de largo alcance con condiciones periódicas sigue siendo un desafío computacional y de desarrollo. La biblioteca ofrece primitivas de espacio directo y recíproco mediante una API en C.
Integración con OpenMM
cuPotential incluye una biblioteca de métodos y un complemento para OpenMM. El ejemplo está pensado para sustituir componentes con cambios mínimos en el código, aunque el complemento se dirige a sistemas solvatados, de densidad aproximadamente uniforme y cajas periódicas rectangulares.
Para compilarlo en Linux se requiere una GPU NVIDIA compatible, un controlador compatible con CUDA 13.1, Conda o Micromamba y una copia del repositorio. El entorno puede instalar el kit de herramientas CUDA y los compiladores; el controlador debe estar instalado en el sistema anfitrión.
El tutorial de NVIDIA explica cómo crear el entorno, compilar el runtime y el complemento, instalar el paquete Python y ejecutar una muestra. Esta evalúa los sistemas DHFR, BACE y ApoA1 en condiciones NVT y NPT, con el campo de fuerza AMBER14/TIP3P y una precisión mixta.
Pruebas de precisión y rendimiento
La evaluación compara los cálculos electrostáticos con una referencia de doble precisión. Para las interacciones de Lennard-Jones truncadas, emplea una referencia de doble precisión con el mismo corte, de modo que se mantenga el modelo de interacción analizado.
En las pruebas de rendimiento se ejecutan 500 pasos de calentamiento y 3.000 pasos medidos. La configuración con cuPotential usa su propio cálculo de fuerzas e integrador y, para NPT, su barostato; por tanto, la aceleración comunicada corresponde a esa configuración integrada.
Según los resultados presentados por NVIDIA, en sistemas de 24.000 a 400.000 átomos se observaron mejoras en varias arquitecturas. En pruebas seleccionadas, las GPU RTX PRO 6000 Blackwell superaron una aceleración de 3 veces; otras GPU probadas registraron mejoras que a menudo rondaron 2 veces o más. Las mediciones corresponden a sistemas estándar, no alquílicos.
Métodos de cálculo y deriva de energía
El equipo de NVIDIA desarrolló, en colaboración con D. E. Shaw Research y el Flatiron Institute, nuevos métodos continuos C2 de división y distribución. Los análisis comparan su precisión con Ewald y u-series en distintas resoluciones de malla y distancias de corte.
La publicación indica que el método permite reducir el corte en espacio real o el tamaño de la malla recíproca sin pérdida de precisión frente al régimen de referencia casi exacta, según la métrica descrita. También presenta métodos para interacciones de dispersión en redes, con los que afirma mejorar la precisión de la energía de dispersión.
En una prueba de deriva de energía de 10 nanosegundos, con un sistema de agua rígida de 10.000 moléculas, NVIDIA informa de una reducción de varios cientos de veces frente a los ajustes predeterminados de PME. La comparación utilizó un corte de 9 Å para cuPotential y OpenMM estándar, y de 20 Å para PME convergente.
Disponibilidad
El complemento sustituye la fuerza no enlazada de OpenMM y permite usar un integrador de cuPotential y, opcionalmente, su barostato. No admite LJPME, cajas triclínicas ni desplazamientos de parámetros de partículas o excepciones de OpenMM; NVIDIA recomienda consultar el README antes de adaptar una simulación.
El código, los ejemplos y las pruebas están disponibles en el repositorio NVIDIA/cuPotential.



