LAMMPS
新一、简介
LAMMPS 是一个以材料建模为重点的开源经典分子动力学代码,采用 GNU General Public License 2.0 发布,由桑迪亚国家实验室主导、汇聚广泛的社区贡献。它始于 1990 年代中期美国能源部合作研发协议下的大型并行代码,当前 C++ 版本自 2004 年起开源。名称展开为 Large-scale Atomic/Molecular Massively Parallel Simulator。
LAMMPS 的独特之处不在某一项单独能力,而在它打开的模型空间之广。它为固态材料(金属、半导体)、软物质(生物分子、聚合物)以及粗粒化与介观系统提供势函数;它可作为原子、介观或连续体尺度的并行粒子模拟器运行;它的设计前提是用户可以新增势函数而不触碰引擎内核。这种可扩展性使 LAMMPS 成为自定义势函数工作的默认平台,也解释了为何相当一部分机器学习势生态最初围绕它构建。
这篇指南对物理 AI 的意义落在一个具体交汇点上。LAMMPS 现在承载了多条彼此独立的机器学习势路径——统一 ML-IAP 接口及其 mliap 模型样式、面向 RuNNer 神经网络势的 ML-RUNNER 包、面向多体数据驱动势的 MBX 包、ML-PACE 与 ML-SNAP 包,以及通过 libxtb 实现 QM/MM 耦合的 QMMM-XTB 包——同时它也是外部训练好的模型被部署进去的生产引擎。判断某个问题该走哪条路径,是本文要支撑的实务决策。
读完你应当能回答:LAMMPS 与生物分子专用引擎的差别在哪里、ML-IAP 的模型/描述符分离究竟带来什么、以及在现代硬件上性能天花板落在哪里。物理仿真入门覆盖底层物理,物理基础模型合集综述 LAMMPS 所接入的学习势图景。文中所有版本与能力表述均于 2026 年 11 月 11 日对照项目文档、发布说明与包手册核实,第九节标注了哪些说法属于项目自述。
二、原理与工作方式
LAMMPS 以空间分解并行模型积分牛顿方程:模拟盒被切分为子域,每个 MPI rank 负责一个,邻近原子通过 ghost 层交换,使各 rank 能在不做全局数据交换的前提下计算自身原子的受力。项目提供若干优化过的 pair style 方案——半邻居表与全邻居表具有不同的重建判据,多重分区方案如 Verlet 与 multiple-partition——这一选择同时影响精度与成本,属于需要刻意设定的参数并非照搬默认。
引擎组织为可互换的样式集合:pair style 定义相互作用,fix style 施加约束或驱动动力学,compute style 实时计算观测量,dump 负责输出。一份模拟输入脚本是组装这些部件的命令序列,这正是 LAMMPS 区别于通用代码的可脚本化之处,也是它学习曲线陡峭的原因。新功能通常以新样式加入并非修改既有代码,PLUGIN 包还允许运行时加载样式而无需重编译。
性能可移植性由 KOKKOS 包承担,它提供单一源码实现,可编译为 CPU、CUDA、HIP 与 SYCL 后端。2025 版本扩展了混合与单精度支持,2026 版本把 Kokkos 样式数量翻了一倍以上,并为 OPENMP 包新增约一百个样式。另有一条 GPU 路径在 GPU 包中,它把成对计算放到 GPU、其余步骤留在主机;官方文档给出的经验是:每张 GPU 上原子数足够多时 Kokkos 通常更快,而把未移植的 fix/compute 混入 Kokkos 脚本会强制数据回拷主机并带来明显性能惩罚。
长程相互作用由 PPPM 等求解器处理,2026 版本新增了基于 FFT 的 ESP 求解器,2024 版本扩展了 FFT 库支持(含 heFFTe 与厂商 FFT)。在原子尺度模拟之外,LAMMPS 还携带粗粒化与介观模型、连续体与近场动力学方法,以及与外部代码耦合的用户自定义能力。
三、适用边界与前提
LAMMPS 假设你能够把体系表达为带类型的粒子,并且所需的物理可以写成某个 pair style、fix 或外部回调。这一假设既是力量的来源也是代价的来源:几乎一切皆有可能,但针对特定应用不会像领域专用工具那样提供成套现成流程。
主要的范围界定在于理论层级。LAMMPS 是经典引擎,直接实现了 EAM、MEAM、Tersoff、Stillinger-Weber、ReaxFF 等大量势函数,但它本身不做电子结构计算;VASP、Quantum ESPRESSO 等 DFT 程序处在另一个层级,而 DFT-in-MD 配合机器学习势是把精度提升到分子动力学吞吐的标准路径。
可扩展性假设有实际门槛。自定义 pair style 意味着按 LAMMPS API 编写并编译 C++,这一点在 Programmer’s Guide 中有文档,但学习成本真实存在。Python 接口(fix python、pair python)降低了原型验证与脚本驱动的门槛,代价是内环性能处在 Python 层级。
构建系统已经收紧。从 2026 年 9 月 30 日稳定版起,LAMMPS 要求 C++17 兼容编译器与 CMake 3.20 以上,Kokkos 包要求 C++20。传统 GNU make 构建现仅限不需要 lib 目录额外步骤的包,LAMMPS-GUI 已迁至独立仓库,LEPTON 与 MACHDYN 等包不再支持传统 make 构建。
精度假设值得明说。Kokkos 包可按双精度、混合精度或单精度构建,文档明确要求在使用降低精度时必须仔细验证模拟是否稳定、能量是否充分守恒,并指出降低精度在均质体相体系中效果最好,因为那里误差抵消最有利。而对含界面、缺陷或强梯度梯度的非均质体系,降低精度是完全不同的命题。
许可证假设简单但有后果:GPL 2.0。对研究与内部使用没有问题,对商业分发则需要审视代码的纳入方式,这一点与宽松许可的替代方案形成对照。
四、上手路径
从发表于 Living Journal of Computational Molecular Science 的成套教程入手——它从入门到进阶共八课——并配合发行版自带的示例。第一次模拟应当规模小且具诊断性:几千原子的 Lennard-Jones 或 EAM 体系,短程运行,检查能量是否守恒、温度是否围绕目标涨落。2025 版本重构了错误报告系统,报错信息现在会指向出错的输入行并链接到对应手册页,这让最初的失败容易诊断得多。
第二,在编写物理之前先确定加速路径。若在 NVIDIA 硬件上,需要在 GPU 包与 Kokkos 包之间做出选择:GPU 包仅把成对计算移上 GPU,Kokkos 则移植了包括邻居表构建与成键项在内的计算密集样式。使用 cmake/presets/ 下的预设文件可覆盖常用包组合,在同一构建目录重新执行 CMake 会保留既有设置。
第三,如果目标是学习势,按模型结构选包。基于描述符的线性或二次模型用 ML-IAP 或 ML-SNAP;等变消息传递网络对应 ML-PACE 或 ML-RUNNER;若势是多体且数据驱动,则较新的选项是 MBX 包。ML-IAP 接口把模型与描述符分离,因此同一描述符可搭配多种模型形式,unified 关键字还允许 Python 模型同时承担两者角色。
第四,规模化之前先建立验证纪律:与参考实现或已发表基准在同一体系上比对,验证运行中的能量守恒,并确认减小时间步或邻居表 skin 后结果没有实质变化。对机器学习势还应额外检查模型在留出参考构型上的预测,因为经典引擎的正确性不会自动传递给模型的正确性。
多节点工作需要显式规划 I/O。数十亿原子运行的经验表明,在最大尺度上打断任务的是输出写出并非计算,而跨数千 rank 的模型初始化也是总运行时中可测的一部分。
五、横向对比
首要比较对象是 GROMACS,两者分处分子动力学空间的两半。GROMACS 出自格罗宁根大学,聚焦生物分子,携带 AMBER、CHARMM、GROMOS 力场,具备完整的预处理工具链与针对该类系统高度优化的内环;LAMMPS 出自桑迪亚,横跨材料与软物质,支持 EAM 与活性势、自定义用户势与多尺度耦合,以脚本作为输入。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。
与机器学习势引擎相比,LAMMPS 的位置是部署底座。DeePMD-kit、NequIP、Allegro、MACE 与 SevenNet 等框架掌握训练工作流、模型架构以及往往还有架构特定的优化,大量现已提供 LAMMPS pair style 或插件接口,让训练好的模型能在生产环境运行。LAMMPS 提供积分器、邻居表、并行分解与加速器可移植性,消费模型而不训练模型。这一区分值得保持清晰:模型质量问题归属训练框架,模拟正确性问题归属 LAMMPS。
与物理 AI 中的其他仿真框架相比,JAX-Fluids与 JAX-CFD走的是可微路线,重写求解器以便梯度可以穿过求解器流动;而 LAMMPS 是经典引擎,学习势或可微代理是被插入其中的。Taichi提供面向 MPM 与可微 kernel 的可编程仿真抽象,NVIDIA Warp提供加速仿真的 kernel 编写层。这些是不同的押注:此处押的是可扩展性与生产成熟度,那里押的是自动微分或可编程 kernel。
第四组比较是与商业仿真套件。带完整 GUI 与集成工作流分析的软件对混合背景团队可能更便利,但开源路线提供源码访问权、修改权与零许可成本,对需要跑大量长时模拟的研究或工程机构而言,这通常是决定性因素。
六、基准与数据
LAMMPS 拥有异常扎实的公开基准证据,因为它被用于旗舰级百亿亿次算力运行。记载最完整的一组数字来自 Summit 的十亿原子碳研究:使用机器学习 SNAP 势在拥有 27,900 张 GPU 的整台 Summit 机器上完成 200 亿原子模拟,达到 50.0 PFLOPS 的峰值计算速率,即理论峰值的 24.9%,强扩展并行效率优于 97%,峰值速率为每节点每秒 621 万原子步。这场 24 小时、4,650 节点的生产运行采样了 1 纳秒物理时间,并在 12 Mbar、5,000 K 条件下观测到碳的高压 BC8 相——这是一项物理发现,吞吐数字只是副产品。相关报道指出该峰值是此前量子精度分子动力学纪录的 22.9 倍。
2025 年的一篇系统学论文在三个百亿亿次系统与多代 NVIDIA GPU 上评估了 LAMMPS-Kokkos,基准覆盖 Lennard-Jones、SNAP 与 ReaxFF,硬件涵盖 NVIDIA V100/A100/H100 以及 AMD MI250X、MI300A 与 Intel 平台。其结论是总体相对性能由单卡性能主导,网络效应次之——这一结果把硬件规划的注意力从互连带宽转向单卡效率。同一工作还记录了实务陷阱:把未移植的 fix 或 compute 样式混入 Kokkos 运行会强制数据回拷主机并付出可见代价。
与之相对的重量在最大尺度上由 I/O 并非算术决定。一项在 Sierra 上评估 LAMMPS/Kokkos/HIPPYNN 扩展到约 8,192 张 GPU 与十亿原子体系的研究报告了极好的弱扩展表现,峰值吞吐超过 10^10 原子步每秒,在约 1,000 张 GPU 以内并行效率接近 1。同一研究报告指出,为十亿原子体系写出单帧约 40 GB 轨迹耗时 4 分钟,且写出时间随体系规模线性增长并非保持持平,这最终导致 2,048 节点的运行在输出阶段失败。报告还提到,在数千 rank 上实例化学习势网络耗时可观,以至于必须把最初 750 步排除在计时之外。
这些研究之间的规律是一致的,也是真正有价值的结论:LAMMPS 的计算扩展能力优秀且表征充分,而输出体量与初始化成本构成实际天花板。
七、物理 AI 场景中的用法
LAMMPS 在物理 AI 中承担三种角色,需要分开看,因为它们对应的义务不同。
其一是学习势的部署引擎。用 DeePMD-kit、NequIP、MACE、Allegro 或 SevenNet 训练的模型通过专用 pair style 或插件在 LAMMPS 内运行,训练保真度的主张正是在这一步转化为模拟结果。落在 LAMMPS 头上的义务是模拟正确性:邻居表、积分、守恒与并行分解。落在训练框架头上的义务是模型保真度:在留出构型上的精度与外推下的行为。
其二是数据生成器。学习一个势需要覆盖相关空间的参考构型,经典引擎的灵活性使它成为生成从头算数据、探索相空间、以及产出评判学习模型之基线运行的便利工具。
其三是作为耦合组件。LAMMPS 携带外部代码耦合包与基于 libxtb 的 QM/MM 支持,因此工作流可以把经典引擎与电子结构方法或另一个模拟器组合起来,PLUMED 包则把增强采样带进同一脚本。这一点在物理 AI 中有实际意义,因为许多可交付成果是混合的:一个区域用学习势,另一个区域用经典处理,上面再叠加采样机制。
标准工作流的成本也值得说明。带学习势的 LAMMPS 生产运行是一项不小的工程投入——构建配置、并行分解、输出管理、对参考的验证——这也是本站专门保留经典求解器成本边界指南的比较,以及把性能工程单列为合集的原因。
八、不适用场景与失效模式
第一项限制是通用性的代价。没有任何东西是现成提供的,自定义势函数意味着编写并编译 C++。若问题本身是一次标准的生物分子自由能计算,在 LAMMPS 中的投入会高于 GROMACS,反之对新型材料势则相反。
第二项是精度。Kokkos 包提供混合与单精度,文档明确要求降低精度必须经过验证,且均质体相体系是 favorable 情形。含界面、缺陷或热梯度的非均质体系在降低精度下可能产生漂移轨迹,而这种漂移容易被误认为物理。
第三项是移植不完整的陷阱。脚本中包含未移植 fix 或 compute 的 Kokkos 运行会静默回退到主机执行,强制数据拷贝并产生与基准不符的性能剖面。其症状是变慢并非答案错误,但足以让测量失效。
第四类与规模相关,如第六节所述,主导因素是 I/O。在十亿原子尺度上,单帧轨迹可能需要数分钟写出,写出时间通常随体系规模线性增长,而并行 I/O 包并不总能交付预期的加速。跨数千 rank 的学习势初始化是第二项不可忽略的成本。结果是运行可能在输出阶段并非计算阶段失败,从而浪费一份可能本就稀缺的算力配额。
第五项是模型外推。学习势被应用到训练域之外时,模拟不会崩溃;它产出的是自信但错误的轨迹。LAMMPS 对此不提供任何保护,保护必须来自上游的验证流程。
最后是许可证边界。GPL 2.0 对把 LAMMPS 嵌入商业产品构成实质约束,这是需要尽早并非尽晚评估的因素。
九、版本与口径核对
截至 2026 年 11 月 11 日,当前稳定版为 2026 年 9 月 30 日发布的 stable_30Sep2026,紧随 2025 年 7 月 22 日稳定版之后,累积约 7,400 次提交。该版本的构建要求为 C++17 兼容编译器与 CMake 3.20 以上,Kokkos 包要求 C++20;内置 Kokkos 版本升至 5.2,需要 GCC 10.4 以上与 NVCC 12.2 以上,而上一版本携带 4.6.2、要求 GCC 8.2 与 CUDA 11.0。
2026 年 9 月 30 日版本可核实的变更包括:把 GRAPHICS 包拆出并扩展为原生可视化工具包,dump image 与 dump movie 迁入其中并获得透明度、景深、描边与高光等能力;六个新包——用于在线进程恢复的 FENIX、从网格生成颗粒表面的 GRANSURF、面向多体数据驱动势的 MBX、面向 RuNNer 神经网络势的 ML-RUNNER、通过 libxtb 实现 QM/MM 耦合的 QMMM-XTB;新增基于 FFT 的长程求解器 ESP;fix gemc 的 Gibbs 系综蒙特卡洛;BAOAB 与 ILVES 积分器;超椭球颗粒;oxDNA3 模型;Kokkos 样式数量翻倍以上并为 OPENMP 包新增约一百个;Kokkos 的单精度与混合精度支持;以及基于哈希表的邻居表分箱,可避免极稀疏或强多分散体系的崩溃与过量内存占用。
2025 版本要求 C++17 编译器,并引入 APIP 自适应精度原子间势包、MDR 颗粒接触模型、JSON 分子文件、fix hmc 混合蒙特卡洛、玻色路径积分分子动力学、fix neighbor/swap 混合 MD/kMC 采样、extxyz dump 样式、Grimme-D3 色散,以及重构后的错误报告系统。2024 版本新增一般三斜盒支持、ML-UF3 与 RHEO 包,并扩展 FFT 库支持。值得注意的退役:2025 年的 ATC、POEMS、AWPMD 包,2026 年的 ML-RANN 包与 pair_style agni。
关于出处:2026 年 9 月 30 日版本的发布说明记录,这是首个能看出 AI 编码代理影响的稳定版,提交数接近前两个稳定版之间的两倍,应用集中在把样式移植到 Kokkos 与 OPENMP 包、补充测试、修复长期存在的缺陷与执行代码评审。该版本的文档还新增了关于编写 bond/compute/OPENMP 样式以及使用 AI 编码代理的 Programmer’s Guide 页面。第六节引用的性能数字来自 Summit 的 SC21 技术论文、2025 年的 LAMMPS-Kokkos 百亿亿次系统学论文,以及 Sierra 上的 HIPPYNN 计时研究。有一项版本相关的注意点:2026 年 9 月 30 日版本修正了 ARM64 Linux 以及默认启用融合乘加的平台上与平台相关的结果差异,因此两个版本之间结果可能在末位数字上有别。
十、参考资料
-
LAMMPS 项目站点与文档,lammps.org,势函数、包与加速器包的总体说明。
-
LAMMPS 2026 年 9 月 30 日稳定版发布说明,GitHub,构建要求、新包、GRAPHICS 拆分与精度支持。
-
LAMMPS 历史与分年度发布要点,lammps.org/bug.html,从 CRADA 起源到 2026 版本。
-
LAMMPS Build_extras 文档,KOKKOS 包选项,涵盖精度、数组布局、统一内存与调试用随机数生成器。
-
LAMMPS ML-IAP 文档,pair_style mliap 与 compute mliap,跨 sna、so3、ace 描述符的模型/描述符分离。
-
LAMMPS 机器学习与互操作生态页,lammps.org/ecosystem/ml-interop,涵盖 DeePMD-kit、NequIP、Allegro、MACE、SevenNet 与 CHGNet。
-
Nguyen Cong 等,十亿原子极端条件碳分子动力学,SC21 技术论文,Summit 扩展表现与 50 PFLOPS 结果。
-
LAMMPS-Kokkos:跨百亿亿次架构的性能可移植分子动力学,arXiv 2508.13523,2025 年。
-
LAMMPS/Kokkos/HIPPYNN Sierra 计时研究,十亿原子弱扩展与并行 I/O 瓶颈分析。
-
LAMMPS Programmer’s Guide 与参考手册,关于编写 bond、compute、OPENMP 样式与自定义 pair style 的文档。