GROMACS

新
许可证: LGPL-2.1 · 更新于 2026-11-11
我的评分

一、简介

GROMACS 是一套面向分子动力学模拟与轨迹分析的自由开源软件套件,1990 年代中期诞生于荷兰格罗宁根大学,采用 GNU Lesser General Public License 2.1 发布。它在生物分子模拟中占据主流地位,这种地位来自几个具体并非笼统的优势:高度优化的计算内环、成熟的 GPU 卸载、完整的系统预处理与分析工具链,以及以单一参数文件为中心的用户工作流。

这篇指南对物理 AI 之所以重要,理由很具体:GROMACS 已经不再只是经典力场引擎。近期版本内置了神经网络势接口,可以加载经 TorchScript 导出的 PyTorch 模型,在生产模拟中贡献能量与力,其中也包括只有部分子系统采用学习势的混合机器学习/分子力学模拟。这一能力正处在本站关注的分子模拟与机器学习工具链的交汇处,也是 GROMACS 与物理基础模型、代理模型与降阶模型等机器学习原子间势条目的实际交汇之处。

本文的目标是帮你判断 GROMACS 在工作流中该放在哪个位置。读完你应当能理解:引擎实际为哪些工作负载做了优化、神经网络势接口的适用区间与终点在哪里、以及它与同一问题空间内其他方案该如何比较。物理仿真入门提供概念背景,物理知识机器学习综述覆盖建模一侧。文中所有版本与能力表述均于 2026 年 11 月 11 日对照项目站点、发布说明与参考手册核实;凡属项目自述并非独立测量的说法,会在第九节明确标注。

二、原理与工作方式

GROMACS 在周期边界条件下求解原子体系的牛顿运动方程,以固定或可变时间步积分,并通过成键项与非键项的组合计算受力。其实现围绕若干个性能关键的组织方式展开。邻居搜索采用 Verlet 列表方案,仅当粒子移动超过 skin 距离时才重建列表;2025 版本扩展了邻居搜索与域分解的 OpenMP 并行化,这在快速 GPU 释放大量 CPU 搜索工作时尤其有价值。

长程静电通过 PME(粒子网格 Ewald)处理,以网格上的倒空间计算替代直接求和。该步骤的效率高度依赖 FFT 库实现,这也是 GPU 构建有时需要搭配独立 FFT 实现的原因。自 2025 起,当 MPI 库支持时默认启用 GPU 直接通信,并使用 NVSHMEM 增强 halo 交换,实现 GPU 发起的通信,改进了多张 NVIDIA GPU 的扩展表现。

GPU 后端是近年版本变化最快的部分。CUDA 仍是 NVIDIA 硬件的推荐路径,SYCL 支持通过 Intel oneAPI DPC++ 或 AdaptiveCpp 覆盖 Intel 与 AMD GPU;AMD 的 HIP 后端于 2025 加入时仅覆盖部分 kernel,2026 扩展到完整卸载。每个构建只能配置一种 GPU 后端,且 CPU 代码始终与 GPU 加速并行运行,这是明确的设计选择。

神经网络势接口构建在模块化 MDModules 框架之上,学习势贡献受力而无需重写积分器。经 PyTorch TorchScript 导出的模型通过 LibTorch 在运行时加载,避免在热循环中引入 Python 解释器。接口定义了灵活的输入输出集合,因此与具体模型架构无关,可容纳基于描述符的模型与消息传递模型。

三、适用边界与前提

GROMACS 假设你要模拟的是由力场、坐标文件与参数文件描述的原子体系,并且当这一体系具有生物分子特征时它的能力最为突出:蛋白质、核酸、脂质膜、溶剂及其组合。围绕 gmx pdb2gmx 构建的预处理链条本身就是价值的一部分,也是通用型引擎所不具备的部分。

经典力场的假设是最重要的边界。GROMACS 携带 AMBER、CHARMM、GROMOS 系列用于生物分子工作,并不原生面向其他引擎主导的材料科学势函数,例如金属的 EAM 或用于化学反应的活性势。在别处做出的建模选择往往无法直接移植。ReaxFF 类反应模拟、超出内置支持范围的粗粒化膜模型、多尺度耦合,都是离开 GROMACS 优势区的情况。

神经网络势路径有明确的构建要求。构建时必须链接 LibTorch 2.0 或更新版本,且使用 CXX11 ABI 构建;链接时的 LibTorch 版本应与导出模型时所用的版本一致,conda 包自带的 pre-CXX11 ABI 版本不能使用。目前仅支持经 PyTorch TorchScript 导出的模型,这排除了若干其他框架与部分导出路径。推理设备选择目前限于 cpu 与 cuda。

混合嵌入方案同样是有约束的假设。接口当前只实现机械嵌入,总能量分解为学习势贡献、经典贡献与耦合项。2026 版本把经典原子的位置与电荷加入模型输入后,可以在模型自身内部实现静电嵌入,但那是模型作者的责任,并非内置模式。切开共价键的区域需要谨慎:2026 版本会自动引入虚拟连接原子,这缓解但并未消除局部环境落在模型训练域之外的风险。

许可证假设有利但需精确表述:LGPL 2.1 允许使用与修改,动态链接使自有代码不受传染性约束,但内嵌 GROMACS 二进制的分发在商业场景下仍有需要复核的义务。

四、上手路径

官方教程套件是文档给出的入门路径,从基础应用到高级应用逐步展开。从它入手有一个好处:教程编码了该工具预期的约定,后续步骤失败时,问题通常出在你的偏离并非某个微妙的参数耦合。

第一次运行应当从很小的体系开始。构建一个溶剂化蛋白或脂质双层,先做能量最小化,再做带位置限制的短平衡,最后进入生产阶段。启用手册规定的验证步骤:逐项检查能量守恒、确认温度压力耦合行为正常、并核对轨迹确实是预期中的物理体系。在 GPU 构建上,还要验证卸载 kernel 确实被使用并非静默回退到 CPU,因为回退很容易被忽略,且会产生看似合理的结果。

如果打算使用神经网络势,顺序会改变。先把模型导出为 TorchScript,确认它在小体系上给出的能量与力与训练集一致,然后再接入生产运行。手册给出了基于 ANI 模型的包装示例代码,包含模型约定与 GROMACS 约定之间的单位换算,这是静默错误的常见来源。先在小体系上做纯神经网络势运行以验证接口,之后再进入学习势子系统嵌入经典环境的混合设置。

关于扩展,社区自身的建议很实用:用 -maxh 参数让任务在被调度器终止前写出最终检查点;尽量减少冗长的 I/O,因为在慢速存储上轨迹写出可能主导墙钟时间。经典求解器成本边界指南给出何时经典分子动力学运行本身才是正确参照的判断框架,基于物理的深度学习材料覆盖目标其实是代理模型的场景。

五、横向对比

首要比较对象是 LAMMPS,两者远非共享「分子动力学」标签就意味着可互换。LAMMPS 出自桑迪亚国家实验室,是材料科学领域的事实标准:支持 EAM 与其他材料势、活性势、自定义用户势与多尺度方法,Kokkos 提供 GPU 加速。其输入是脚本,灵活度极高但学习曲线陡峭,分析通常依赖 OVITO、VMD 等外部工具。GROMACS 出自格罗宁根大学,聚焦生物分子力场,具备结构化的参数文件、内置的预处理与分析工具链,以及针对该类系统高度优化的计算内环。实际的分工是:生物分子体系与自由能工作位于 GROMACS 的地盘,金属、陶瓷、反应化学与自定义势位于 LAMMPS 的地盘。

第二组比较是面向机器学习势的专用引擎。DeePMD-kit、MACE、NequIP、AIMNet2 等包专门用于训练与运行学习原子间势,它们掌握训练工作流,通常也拥有架构特定的优化。GROMACS 的接口把关系反过来:它不训练模型,而是消费在别处训练好的模型,并把它放进具备完整采样与自由能机制的生产级分子动力学引擎中运行。这是互补关系,与 TorchANI-Amber、OpenMM/TorchForce 采用的路线一致。

第三组比较是与经典从头算路线。电子结构方法仍然是学习势所对齐的精度参照,QM/MM 依然是处理化学活性的标准技术,同时可以在混合方案中让学习势承担 QM 子系统。三者的关系可以概括为分工:电子结构提供精度标尺,专用 MLIP 引擎负责训练,GROMACS 负责把训练好的模型放进生产规模的模拟里。

六、基准与数据

关于 GROMACS 的独立性能数字流传很广,但高度依赖具体配置,诚实的做法是把它当作方向性参考并非规格说明。常被引用的一个工作点是:单张 A100 在 10 万原子体系上可达到 200+ ns/day 量级的吞吐,而同级别体系的纯 CPU 运行每秒钟数远低于此。这类数字隐含特定的精度、力场与 GPU 配置,并随体系规模与力场组成显著变化。

神经网络势路径有自己发表的基准。接口论文报告了在水盒子上跨多种神经网络势架构的性能测量,使用了带 CUDA 优化推理实现的 ANI2x 以及 AIMNet2 与 MACE,并指出在混合场景中学习势的成本主导了墙钟时间。另一条工作线把 DeePMD-kit 作为额外后端接入,实现跨多节点的域分解 GPU 加速推理,在 A100 与 MI250x 上报告强扩展效率在 16 设备时为 66%、32 设备时为 40%,弱扩展效率到 16 设备为 80%。该工作还显式剖析了瓶颈:超过 90% 的墙钟时间花在机器学习推理上,MPI 集合通信占比低于 10%,残余成本来自截断半径决定的不可消除的 ghost 原子开销以及各 rank 间的负载不均。

两个实践性的性能事实比任何排行榜都更有价值。第一,精度主导分子动力学的硬件选型:双精度吞吐与显存带宽才是关键,FP64 吞吐被大幅削减的消费级显卡可能改变轨迹行为。第二,对小体系而言瓶颈常是 I/O 与初始化并非算术,因此轨迹写出频率与检查点策略在实践中非常重要。

七、物理 AI 场景中的用法

GROMACS 在物理 AI 中占据一个特定位置:它是学习势所接入的经典分子动力学引擎,同时也是参考数据的产生者。三种用法值得点名。

其一是神经网络势接口,让在 PyTorch 中训练的模型在生产模拟中贡献能量与力,作用于整个体系或某个子系统。由于接口与架构无关,模型可以是基于描述符的也可以是消息传递的,无需改变模拟设置;由于它集成在既有引擎内,完整的增强采样与自由能工作流依然可用。

其二是作为学习势的数据引擎。训练好的势需要覆盖相关构型空间的参考构型,而经典引擎已有的采样机制——副本交换、metadynamics、自适应偏置——可以用来以经典力场可达的保真度产出这些数据。反方向同样成立:一旦模型足够好地复现参考,引擎就能以经典引擎无法达到的成本运行模型进入生产。

其三是作为学习势评判时的经典基线。任何「学习势复现了分子动力学」的主张,都应当在相同体系上与 GROMACS 运行对照检验。本站把这类经典参照视为方法论中固定的一部分,见经典求解器成本边界指南与代理模型与降阶模型合集。在材料发现场景中同一模式出现:学习势的效力以既有模拟引擎为标尺。

八、不适用场景与失效模式

最具实质性的限制是适用域覆盖。GROMACS 的长处在生物分子方向,力场、分析工具与预处理链条都围绕这一前提构建。当体系确实是无机材料——金属、陶瓷、反应性矿物相——可用工具更少,转向材料专用引擎通常比改造 GROMACS 更省成本。

第二个限制关于神经网络势接口。它支持经 TorchScript 导出的 PyTorch 模型,架构无关性是真实的但并非无限:模型必须以接口预期的形状表达能量、可选地表达受力。把强制力由非常规路径算出的架构,或跨时间步携带状态的架构塞进来,可能并不契合。混合嵌入方案是另一层约束,机械嵌入由接口实现,静电嵌入留给模型自行处理。

第三类失效是化学层面的。经典力场不建模键的断裂与形成,因此模拟中观察到的反应是假象并非预测。使用学习势后,失效模式转移到外推:训练分布之外的构型可能给出错误的能量,而经典势不会出现这种错误;由于动力学跟随这些力,误差会静默累积。接口文档本身也警告,区域之间的断键会产生模型未见过的局部环境。

第四类是运维层面的。GPU 后端覆盖按 kernel 与厂商而异,在 NVIDIA 硬件上正确运行的配置在 AMD HIP 或 Intel SYCL 上行为可能不同;AMD 后端在 2025 年为部分覆盖,2026 年才达到完整卸载。共享集群上的长模拟也会因为平凡的原因失败——任务超出墙钟限制而未设 -maxh,或轨迹写出过密导致存储带宽塌陷——这些造成的是计算损失并非错误结果,是另一种痛苦但同样存在。

最后要直说一个规模限制:即便有 GPU 卸载与多节点扩展,大型溶剂化体系每纳秒的成本依然高昂。当交付物是大量轨迹的集合并非单条收敛良好的轨迹时,代理模型或粗粒化模型才是合适的工具,ClimateLearn与Modin分别代表相应领域中的邻近路线。

九、版本与口径核对

截至 2026 年 11 月 11 日,GROMACS 当前版本为 2026.4,发布于 2026 年 10 月 2 日。该发布列车同时维护年度主线与季度补丁线:2026 主线内,2026.0 发布于 2026 年 1 月 19 日,2026.1 于 3 月 6 日,2026.2 于 5 月 6 日,2026.3 于 6 月,2026.4 于 10 月;2025 线继续有 2025.3(9 月)、2025.4(11 月 23 日)与 2025.5(2026 年 9 月 1 日)。2025 分支保持可用,这对复现旧结果有意义。

2025 主版本可核实的特性包括:非 Windows 构建下开箱可用受限版 PLUMED、无需打补丁;支持由 PyTorch 训练的神经网络势模型驱动模拟的基本能力;邻居搜索与域分解的 OpenMP 并行化扩展;AMD HIP 作为 GPU 后端加入但 kernel 覆盖有限;当 MPI 库支持时默认启用 GPU 直接通信;以及基于 NVSHMEM 的 kernel 发起 halo 交换。2026 主线把 HIP 路径扩展到完整卸载支持,并延续 Intel 与 AMD 的 SYCL 工作。

神经网络势接口同步演进。2025 版参考手册描述了 NNPot 模块、LibTorch 2.0 或更高版本的要求、原子位置/原子序数/盒矢量/周期边界条件等输入选项,以及用于设备选择的 GMX_NN_DEVICE 环境变量。配套的接口论文于 2026 年 4 月首次公开,描述了 2026 年的新增内容:内置 pair list 与经典原子位置电荷作为可用模型输入、针对切开共价键区域的自动虚拟连接原子,以及在模型内部实现静电嵌入的可能性。同一研究团队还发表了面向多 GPU 深度势推理的 DeePMD-kit 后端扩展。

关于生态与许可:GROMACS 采用 LGPL 2.1。项目分发 CPU 与 GPU 构建,多 GPU 运行推荐使用 GPU-aware MPI;安装指南覆盖 NVIDIA 硬件的 CUDA-aware MPI 支持(建议 OpenMPI 4.1 以上配 UCX 1.10 以上),以及 Intel 与 AMD 的 SYCL 专有指引。2025 版起支持 PLUMED。

口径声明:上述版本号、日期与特性条目均来自项目站点、发布要点与参考手册。第六节的性能数字来自已发表的基准工作与面向硬件选型的工程指引,反映特定体系、精度与 GPU 配置,不构成普遍保证。

十、参考资料

  1. GROMACS 项目站点与下载页,gromacs.org,2025 与 2026 发布线的版本公告。

  2. GROMACS 安装指南,manual.gromacs.org,涵盖 CUDA、SYCL、HIP 的 GPU 后端配置,以及 MPI 与 NVSHMEM 支持。

  3. GROMACS 参考手册,Neural Network Potentials 章节,NNPot 模块接口、输入选项与混合嵌入方案。

  4. Müllender、Hess 与 Lindahl,《Enabling Biomolecular Simulations with Neural Network Potentials in GROMACS》,arXiv 2604.21441,2026 年 4 月。

  5. GROMACS 2025 发布要点,manual.gromacs.org,PLUMED 支持、神经网络势支持、OpenMP 并行化与 HIP 后端。

  6. DeePMD-kit 接入 GROMACS 的工作,跨节点域分解 GPU 推理及 A100 与 MI250x 上的强扩展与弱扩展测量。

  7. GROMACS 2026 文档发布说明,虚拟连接原子、新增模型输入与扩展的后端支持。

  8. LAMMPS 项目文档,力场覆盖、自定义势支持与 Kokkos GPU 包,用于跨引擎对比。

  9. GROMACS 与 LAMMPS 的对比分析,生物分子与材料科学工作负载定位及并行效率。

  10. GROMACS 许可条款,GNU Lesser General Public License version 2.1,含链接与再分发义务。

标签: