[论文解读] Random-batch list algorithm for short-range molecular dynamics simulations

Jiuyang Liang, Zhenli Xu+1 more|arXiv (Cornell University)|May 11, 2021

Theoretical and Computational Physics参考文献 47被引用 13

一句话总结

本文提出随机批量列表（RBL）算法，一种用于加速短程分子动力学模拟的随机邻居列表方法，通过将相互作用划分为核心（直接）和壳层（随机批量）区域来实现。在Lennard-Jones流体模拟中，该方法实现了数倍的速度提升，且精度损失可忽略不计，相比传统Verlet和链表法，通过减少相互作用对数和内存访问次数，同时利用Langevin动力学保持力方差控制，显著提升了性能。

ABSTRACT

We propose a fast method for the calculation of short-range interactions in molecular dynamics simulations. The so-called random-batch list method is a stochastic version of the classical neighbor-list method to avoid the construction of a full Verlet list, which introduces two-level neighbor lists for each particle such that the neighboring particles are located in core and shell regions, respectively. Direct interactions are performed in the core region. For the shell zone, we employ a random batch of interacting particles to reduce the number of interaction pairs. The error estimate of the algorithm is provided. We investigate the Lennard-Jones fluid by molecular dynamics simulations, and show that this novel method can significantly accelerate the simulations with a factor of several fold without loss of the accuracy. This method is simple to implement, can be well combined with any linked cell methods to further speed up and scale up the simulation systems, and can be straightforwardly extended to other interactions such as Ewald short-range part, and thus it is promising for large-scale molecular dynamics simulations.

研究动机与目标

• 开发一种更快、可扩展的方法，用于计算分子动力学模拟中的短程非键合相互作用力。
• 在不牺牲精度的前提下，降低大规模MD模拟中的计算成本和内存使用。
• 解决短程力计算的瓶颈问题，特别是在截断半径较大且具有异质性的系统中。
• 将随机批量处理与邻居列表技术结合，以维持力方差控制并支持高效并行化。
• 提供一种简单、可扩展的框架，与现有MD库和算法（如链表法）兼容。

提出的方法

• RBL方法构建两级邻居列表：核心区域（r ≤ rc）用于直接力求和，壳层区域（rc < r ≤ rs）用于随机批量相互作用。
• 通过模板化网格将壳层中的粒子分组为随机批量，仅对当前批量中的粒子计算力，并对相互作用强度进行缩放。
• 该方法采用随机近似，使每个粒子所受的力为无偏估计，显著减少了相互作用对的数量。
• 算法利用链表法高效构建邻居列表，实现线性扩展并支持高度并行化。
• 通过引入带有摩擦和噪声项的Langevin动力学，对力方差进行约束，从而稳定模拟并控制数值波动。
• 该方法可与Ewald短程部分兼容，并可扩展至其他非键合相互作用。

实验结果

研究问题

• RQ1 随机批量策略是否能在保持精度的前提下，减少短程MD模拟中的相互作用对数？
• RQ2 RBL方法在计算效率和内存使用方面与经典Verlet法和链表法相比如何？
• RQ3 批量大小和核心半径对力精度和模拟稳定性有何影响？
• RQ4 RBL方法是否能在Lennard-Jones流体等平衡系统中保持统计一致性与无偏力估计？
• RQ5 在异质系统中，该方法在系统规模和粒子密度增大时的可扩展性如何？

主要发现

• 在Lennard-Jones流体模拟中，RBL方法实现了数倍的速度提升，即使在高密度和气-液共存点附近，精度损失也微乎其微。
• RBL中的核心半径可远小于传统截断半径，从而显著减少直接相互作用的数量。
• 随机批量的大小远小于壳层区域的总粒子数，大幅降低了计算复杂度。
• 通过Langevin动力学，该方法保持了有界的力方差，确保了数值稳定性和收敛性。
• 误差估计显示，Wasserstein距离的收敛速度为O(τ)量级，证实了该方法的理论鲁棒性。
• 该算法与现有MD框架高度兼容，可无缝与链表法结合，进一步提升性能。