OpenMM分子动力学模拟04 GPU 加速与五大平台：CUDA mixed 精度是生产默认答案

摘要：Reference/CPU/CUDA/OpenCL/HIP 五平台的定位与选档——CUDA mixed 精度是生产默认答案，nvidia-smi 验证占卡，多卡 DeviceIndex 分配，以及 mixed/single/double 三档实测对比。 关键字：CUDA、GPU加速、Platform、OpenCL、HIP、mixed精度、nvidia-smi、DeviceIndex

【官方来源】User Guide §3.7.1 Platforms + Ch.11 Platform-Specific Properties 【Linux 实测】消费级 GPU（12 GB 显存） / 驱动 580.178.04（支持到 CUDA 13.0）/ OpenMM 8.5.2 环境说明：本章正文与 T4 实测时环境 CUDA 运行时为 12.9；章末 T7 三档精度对比实测于环境钉 13.0 之后（见该节注明）——两版运行时均 ≤ 驱动支持版，kernel 正常

1. 五个平台是什么

【官方来源】“OpenMM includes five platforms: Reference, CPU, CUDA, OpenCL, and HIP.”

【Linux 实测】Platform.getNumPlatforms() 实测：

2. 选平台的官方三种方式

【官方来源】

方式 1（默认）：OpenMM 自动选最快的可用平台。“Usually its choice will be reasonable.”

方式 2（环境变量）：

export OPENMM_DEFAULT_PLATFORM=CUDA # 覆盖默认逻辑

方式 3（代码显式指定）：

platform = Platform.getPlatform('CUDA')
simulation = Simulation(prmtop.topology, system, integrator, platform)

合法名字：OpenCL、CUDA、HIP、CPU、Reference。

【Linux 实测】getPlatformByName('CUDA') 也能用，但官方文档通篇用 getPlatform()，建议跟官方写法。

3. GPU 平台属性（官方 Ch.11 全表）

3.1 CUDA 平台属性

【官方来源】

HIP 平台：属性与 CUDA 完全相同（官方原话）。

OpenCL 平台：Precision / UseCpuPme / DeviceIndex 同上，另有 OpenCLPlatformIndex（多 OpenCL 实现时选哪个）。

3.2 CPU 平台属性

【官方来源】

3.3 确定性（Determinism）

【官方来源】PME 下：Reference、OpenCL、double 精度 CUDA 是确定性的；single 精度 CUDA 和 CPU 平台不确定（力计算求和顺序不同导致微小差异）。官方提醒这些行为不保证未来版本不变。

4. GPU 加速实操

4.1 单卡（本机写法）

【Linux 实测】

from openmm import Platform

platform = Platform.getPlatform('CUDA')
properties = {'DeviceIndex': '0', 'Precision': 'mixed'}
simulation = Simulation(topology, system, integrator, platform, properties)

【Linux 实测·属性名校验】CUDA 平台 getPropertyNames() 实测输出：

DeviceIndex, DeviceName, UseBlockingSync, Precision, UseCpuPme,
CudaCompiler, TempDirectory, CudaHostCompiler, DisablePmeStream, DeterministicForces

注意是 DeviceIndex（不是 CudaDeviceIndex——网上旧教程常见笔误，会报 unknown property）。

4.2 多卡并行一个模拟

【官方来源】

platform = Platform.getPlatform('CUDA')
properties = {'DeviceIndex': '0,1', 'Precision': 'double'}
simulation = Simulation(prmtop.topology, system, integrator, platform, properties)

两张卡分摊一个模拟的计算。注意：这是单模拟多卡，与"多模拟各占一卡"（每张卡跑独立副本）是两回事。

4.3 确认 GPU 真在用

【Linux 实测】三步验证法：

# 1. 平台列表里有 CUDA
python -c "import openmm as mm; print([mm.Platform.getPlatform(i).getName() for i in range(mm.Platform.getNumPlatforms())])"

# 2. 模拟运行时另开终端
watch -n1 nvidia-smi # 出现 python 进程 + 显存占用 = 真在用

# 3. testInstallation 已经过 = CUDA 平台工作正常

【踩坑】CUDA 平台不出现/失败的排查顺序：

5. 精度怎么选

【官方来源】+ 实测建议：

【初学者翻译】mixed = 干活的主力干单精度、记账的用双精度，速度和准度兼顾。不确定就用 mixed。

6. 性能自测方法学（写进你的实验记录）

【Linux 实测】ns/day 标准测法：

simulation.reporters.append(StateDataReporter('perf.csv', 1000, step=True, speed=True))
# speed 选项直接输出 ns/day（官方 §3.7.14）

同一体系、同一平台属性下改一个变量（precision/线程/卡数）对比，才算有效 benchmark。不要拿别人的数字当自己的——GPU 型号、体系大小、力场、精度全影响结果。

【实测】T7：mixed vs single vs double 三档对比

【实战背景】CUDA/HIP/OpenCL 平台的 Precision 属性三档怎么选？用 deca-ala（109 原子，NoCutoff，HBonds+HMR，Langevin 4 fs）各跑 5000 步实测（环境 cuda-version=13.0，见章头说明）：

【解读】：

本章速查卡

五平台: Reference(1) / CPU(10) / CUDA(100) / OpenCL(50) / HIP(=CUDA属性)
选平台: 默认自动 | OPENMM_DEFAULT_PLATFORM=CUDA | Platform.getPlatform('CUDA')
属性键: DeviceIndex='0,1'(多卡) Precision='mixed'(推荐)
CPU线程: properties={'Threads':'8'} 或 env OPENMM_CPU_THREADS=8
验证: python -m openmm.testInstallation + watch nvidia-smi
测速: StateDataReporter(…, speed=True) 直接出 ns/day

系列导航：本专栏 分子动力学模拟-OpenMM（35 章大百科：官方 User Guide / Tutorials / Cookbook / examples 全覆盖）

我的专栏