`GPUMD`

`GPUMD`是什么？

GPUMD代表图形处理单元分子动力学。
GPUMD是一个高效的通用分子动力学（MD）软件包，完全在图形处理单元（GPU）上实现。
GPUMD可以训练和使用一类称为神经进化势能（NEP）的机器学习势能。请查看这个nep-data Gitlab仓库，了解一些已发布的NEP势能以及相关的训练/测试数据。

先决条件

您需要有一个计算能力不低于3.5的GPU卡和不低于CUDA 9.0的CUDA工具包。
适用于Linux（使用GCC）和Windows（使用MSVC）操作系统。

编译GPUMD

进入src目录并输入make。
编译完成后，src目录中将生成两个可执行文件：gpumd和nep。

运行GPUMD

进入示例目录并输入以下命令之一：
- path/to/gpumd
- path/to/nep

Colab教程

我们提供了一个Colab教程，展示了PbTe系统NEP模型的构建工作流程及其在大规模原子模拟中的应用。这将完全在Google的云虚拟机上运行。
您还可以查看示例中的其他离线教程。

使用手册

最新发布版本：https://gpumd.org/
开发版本：https://gpumd.org/dev/

邮件列表：

您可以使用以下链接订阅和退订邮件列表： https://www.freelists.org/list/gpumd
要发布问题，您可以发送电子邮件至gpumd(at)freelists.org
这里是公开存档：https://www.freelists.org/archive/gpumd/

与GPUMD和/或NEP相关的Python包：

包名	链接	说明
`calorine`	https://gitlab.com/materials-modeling/calorine	`calorine`是一个用于通过GPUMD运行和分析分子动力学（MD）模拟的Python包。它还提供通过GPUMD构建和采样神经进化势能（NEP）模型的功能。
`GPUMD-Wizard`	https://github.com/Jonsnow-willow/GPUMD-Wizard	`GPUMD-Wizard`是一个基于ASE（原子模拟环境）的材料结构处理软件，提供计算各种金属性质的自动化功能。此外，它旨在使用GPUMD运行和分析分子动力学（MD）模拟。
`gpyumd`	https://github.com/AlexGabourie/gpyumd	`gpyumd`是GPUMD的Python3接口。它帮助用户根据GPUMD文档提供的详细信息生成输入文件和处理输出文件。目前支持到GPUMD-v3.3.1版本，仅支持gpumd可执行文件。
`mdapy`	https://github.com/mushroomfire/mdapy	`mdapy` Python库提供了一系列强大、灵活且简单的工具，用于分析分子动力学（MD）模拟生成的原子轨迹。
`pynep`	https://github.com/bigd4/PyNEP	`PyNEP`是GPUMD中使用的机器学习势能NEP的Python接口。
`somd`	https://github.com/initqp/somd	`SOMD`是为SIESTA DFT代码设计的从头算分子动力学（AIMD）包。SOMD代码提供了一些常用功能来执行标准的玻恩-奥本海默分子动力学（BOMD）模拟，并包含了神经进化势能（NEP）包的简单封装。SOMD代码可用于通过主动学习方法自动构建NEP。

作者：

在第一次发布之前，GPUMD由Zheyong Fan开发，得到了Ville Vierimaa（原阿尔托大学）和Mikko Ervasti（原阿尔托大学）的帮助，以及Ari Harju（原阿尔托大学）的指导。
以下是从第一次发布开始的完整贡献者列表。 | 姓名 | 联系方式 | | --------------------- | --------------------------------- | | 范哲勇 | https://github.com/brucefan1983 | | Alexander J. Gabourie | https://github.com/AlexGabourie | | 徐可 | https://github.com/Kick-H | | 梁婷 | https://github.com/Tingliangstu | | 刘嘉辉 | https://github.com/Jonsnow-willow | | 应鹏华 | https://github.com/hityingph | | 真实姓名？ | https://github.com/Lazemare | | 张金图 | https://github.com/initqp | | 王延州 | https://github.com/Yanzhou-Wang | | 赵睿 | https://github.com/grtheaory | | Eric Lindgren | https://github.com/elindgren | | 王俊杰 | https://github.com/bigd4 | | 王勇 | https://github.com/AmbroseWong | | 梁志新 | https://github.com/liangzhixin-202169 | | Paul Erhart | https://materialsmodeling.org/ | | 徐楠 | https://github.com/tamaswells | | 陈顺达 | https://github.com/shdchen | | 石久阳 | https://github.com/XIX-YANG | | Nicklas Österbacka | https://github.com/NicklasOsterbacka | | 潘舒宁 | https://github.com/psn417 | | 董海宽 | https://github.com/hailan2005 | | 闫子涵 | https://github.com/zhyan0603 | | 吴永超 | https://github.com/mushroomfire | | 李炎龙 | https://github.com/DragonPara | | 游琦 | https://github.com/YouQixiaowu |

引用

参考文献	引用用途
[1]	用于任何使用`GPUMD`的工作
[2-3]	维里和热流公式
[4]	进出分解和相关谱分解
[5,3]	HNEMD和相关谱分解
[6]	力常数势（FCP）
[7]	神经演化势（NEP）特别是NEP1
[8]	NEP2
[9]	NEP3
[10]	NEP + ZBL
[11]	NEP + D3色散修正
[12]	用于冲击波模拟的MSST积分器
[13]	线性标度量子输运
[14]	NEP4
[15]	TNEP（偶极子和极化率的张量NEP模型）
[16]	MCMD（混合蒙特卡罗和分子动力学模拟）

参考文献

[1] Zheyong Fan, Wei Chen, Ville Vierimaa, 和 Ari Harju. 使用图形处理单元进行高效的多体势分子动力学模拟，计算机物理通讯 218，10（2017）。

[2] Zheyong Fan, Luiz Felipe C. Pereira, Hui-Qiong Wang, Jin-Cheng Zheng, Davide Donadio, 和 Ari Harju. 分子动力学模拟中多体势的力和热流公式及其在热导率计算中的应用，物理评论B 92，094301，（2015）。

[3] Alexander J. Gabourie, Zheyong Fan, Tapio Ala-Nissila, Eric Pop, 热导率的谱分解：比较均匀分子动力学模拟中的速度分解方法，物理评论B 103，205421（2021）。

[4] Zheyong Fan, Luiz Felipe C. Pereira, Petri Hirvonen, Mikko M. Ervasti, Ken R. Elder, Davide Donadio, Tapio Ala-Nissila, 和 Ari Harju. 二维材料中的热导率分解：石墨烯的应用，物理评论B 95，144309，（2017）。

[5] Zheyong Fan, Haikuan Dong, Ari Harju, 和 Tapio Ala-Nissila, 用于多体势热传输和谱分解的均匀非平衡分子动力学方法，物理评论B 99，064308（2019）。 [6] Joakim Brorsson, Arsalan Hashemi, Zheyong Fan, Erik Fransson, Fredrik Eriksson, Tapio Ala-Nissila, Arkady V. Krasheninnikov, Hannu-Pekka Komsa, Paul Erhart, [具有从头计算精度的原子模拟高效计算晶格热导率](https://github.com/brucefan1983/GPUMD/blob/master/ https://doi.org/10.1002/adts.202100217, 《先进理论与模拟》 4, 2100217 (2021)。

[7] Zheyong Fan, Zezhu Zeng, Cunzhi Zhang, Yanzhou Wang, Keke Song, Haikuan Dong, Yue Chen, 和 Tapio Ala-Nissila, 神经进化机器学习势：在原子模拟中结合高精度和低成本，及其在热传输中的应用, 《物理评论B》 104, 104309 (2021)。

[8] Zheyong Fan, 提高多组分系统神经进化机器学习势的精度, 《物理学：凝聚态物质杂志》 34, 125902 (2022)。

[9] Zheyong Fan, Yanzhou Wang, Penghua Ying, Keke Song, Junjie Wang, Yong Wang, Zezhu Zeng, Ke Xu, Eric Lindgren, J. Magnus Rahm, Alexander J. Gabourie, Jiahui Liu, Haikuan Dong, Jianyang Wu, Yue Chen, Zheng Zhong, Jian Sun, Paul Erhart, Yanjing Su, Tapio Ala-Nissila, GPUMD：构建精确机器学习势和执行高效原子模拟的软件包, 《化学物理杂志》 157, 114801 (2022)。

[10] Jiahui Liu, Jesper Byggmästar, Zheyong Fan, Ping Qian, 和 Yanjing Su, 钨中初级辐射损伤的大规模机器学习分子动力学模拟, 《物理评论B》 108, 054312 (2023)。

[11] Penghua Ying 和 Zheyong Fan, 将D3色散校正与神经进化机器学习势结合, 《物理学：凝聚态物质杂志》 36, 125901 (2024)。

[12] Jiuyang Shi, Zhixing Liang, Junjie Wang, Shuning Pan, Chi Ding, Yong Wang, Hui-Tian Wang, Dingyu Xing, 和 Jian Sun, 从金刚石到BC8碳的双重冲击压缩路径, 《物理评论快报》 131, 146101 (2023)。

[13] Zheyong Fan, Yang Xiao, Yanzhou Wang, Penghua Ying, Shunda Chen, 和 Haikuan Dong, 结合线性标度量子输运和机器学习分子动力学研究复杂材料中的热和电子输运, 《物理学：凝聚态物质杂志》 36, 245901 (2024)。

[14] Keke Song, Rui Zhao, Jiahui Liu, Yanzhou Wang, Eric Lindgren, Yong Wang, Shunda Chen, Ke Xu, Ting Liang, Penghua Ying, Nan Xu, Zhiqiang Zhao, Jiuyang Shi, Junjie Wang, Shuang Lyu, Zezhu Zeng, Shirong Liang, Haikuan Dong, Ligang Sun, Yue Chen, Zhuhua Zhang, Wanlin Guo, Ping Qian, Jian Sun, Paul Erhart, Tapio Ala-Nissila, Yanjing Su, Zheyong Fan, 16种元素金属及其合金的通用机器学习势 arXiv:2311.04732 [cond-mat.mtrl-sci]

[15] Nan Xu, Petter Rosander, Christian Schäfer, Eric Lindgren, Nicklas Österbacka, Mandi Fang, Wei Chen, Yi He, Zheyong Fan, Paul Erhart, 通过神经进化势框架实现张量性质：快速模拟红外和拉曼光谱《化学理论与计算杂志》 (2024)。

[16] Keke Song, Jiahui Liu, Shunda Chen, Zheyong Fan, Yanjing Su, Ping Qian, 使用统一神经进化势的混合蒙特卡罗和分子动力学模拟多晶铝中的溶质偏析 arXiv:2404.13694 [cond-mat.mtrl-sci]