LAMMPS — гибкий инструмент моделирования материалов на основе частиц на атомном, мезоскопическом и континуальном масштабах

LAMMPS - a flexible simulation tool for particle-based materials modeling at the atomic, meso, and continuum scales
Aidan P. Thompson, Hasan Metin Aktulga, Richard A. Berger, Dan Bolintineanu, William M. Brown, Paul Crozier, Pieter J. in ’t Veld, Axel Kohlmeyer, Stan Moore, Trung Dac Nguyen, Ray Shan, Mark J. Stevens, Julien Tranchida, Christian Robert Trott, Steven J. Plimpton
2021-09-22

LAMMPSдинамическая балансировка нагрузкимежатомные потенциалы машинного обучениямолекулярная динамикамоделирование материалов на основе частиц
С момента выпуска классического симулятора молекулярной динамики LAMMPS в виде открытого исходного кода в 2004 году он стал широко используемым инструментом моделирования материалов на основе частиц в диапазоне пространственных масштабов от атомного через мезоскопический до континуального. Его популярность обусловлена широким набором моделей взаимодействия частиц для различных материалов, возможностью работы на любой платформе — от одного ядра ЦП до крупнейших суперкомпьютеров с ускорителями — и предоставлением пользователям контроля над деталями моделирования либо посредством входного скрипта, либо путем добавления кода для новых межатомных потенциалов, ограничений, средств диагностики и других функций, необходимых для их моделей. В результате сотни специалистов внесли вклад в разработку новых возможностей LAMMPS, объем которого вырос с пятидесяти тысяч строк кода в 2004 году до одного миллиона строк в настоящее время. В статье описываются несколько фундаментальных алгоритмов, используемых в LAMMPS, а также проектные стратегии, благодаря которым система стала гибкой как для пользователей, так и для разработчиков. Кроме того, освещаются некоторые недавно добавленные возможности, ставшие возможными благодаря этой гибкости, включая динамическую балансировку нагрузки, визуализацию в процессе выполнения, модели динамики магнитных спинов и межатомные потенциалы машинного обучения с квантовой точностью. Название программы: Large-scale Atomic/Molecular Massively Parallel Simulator (LAMMPS) Ссылка CPC Library на файлы программы: https://doi.org/10.17632/cxbxs9btsv.1 Репозиторий разработчиков: https://github.com/lammps/lammps Лицензионные условия: GPLv2 Языки программирования: C++, Python, C, Fortran Дополнительные материалы: https://www.lammps.org Суть задачи: Многие научные приложения в физике, химии, материаловедении и смежных областях требуют параллельного, масштабируемого и эффективного построения длинных, устойчивых траекторий классической динамики частиц. В рамках этого общего определения задачи существует большое разнообразие вариантов применения, различающихся моделями взаимодействия частиц, внешними ограничениями, а также временными масштабами и дли...
1
Его гибкость обеспечивается большим набором моделей взаимодействия, параллельной масштабируемостью на различных платформах и расширяемостью через скрипты и добавление нового кода.
2
LAMMPS вырос примерно с 50 000 строк кода в 2004 году до около одного миллиона строк благодаря вкладу сотен разработчиков.
3
LAMMPS является широко используемым открытым симулятором для моделирования материалов на основе частиц в атомном, мезоскопическом и континуальном масштабах.
4
Благодаря этой архитектуре в LAMMPS появились динамическая балансировка нагрузки, визуализация в процессе моделирования, модели магнитной спиновой динамики и межатомные потенциалы машинного обучения с квантовой точностью.
5
В статье описаны фундаментальные алгоритмы и архитектурные стратегии, обеспечивающие гибкость для пользователей и разработчиков симуляций.

LAMMPS — система моделирования материалов на основе частиц и симуляции молекулярной динамики

гибкость, масштабируемость и вычислительные возможности LAMMPS для моделирования динамики частиц и материалов на атомном, мезоскопическом и континуальном масштабах

Publication Details
Publication Date
2021-09-22
Journal
Publisher
ISSN
Cited by
12490
Access Type
Author Information
Authors
Aidan P. Thompson
Hasan Metin Aktulga
Richard A. Berger
Dan Bolintineanu
William M. Brown
Paul Crozier
Pieter J. in ’t Veld
Axel Kohlmeyer
Stan Moore
Trung Dac Nguyen
Ray Shan
Mark J. Stevens
Julien Tranchida
Christian Robert Trott
Steven J. Plimpton
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat
Make a presentation
100%