基于GPU的kokkos加速安装

关注 $\color{Violet} \rm Mr.material\ ,$ $\color{red}{更}$ $\color{blue}{多}$ $\color{orange}{精}$ $\color{green}{彩}$ ！

主要专栏内容包括：
$\textbf{ \underline{\dag《LAMMPS小技巧》：}}$ 主要介绍采用分子动力学（ $L amm p s$ ）模拟相关安装教程、原理以及模拟小技巧（难度： $\bigstar$ ）
$\textbf{ \underline{\dag\dag《LAMMPS实例教程—In文件详解》：}}$ 主要介绍采用分子动力学（ $L amm p s$ ）模拟相关物理过程模拟。（包含：热导率计算、定压比热容计算，难度： $\bigstar$ $\bigstar$ $\bigstar$ ）
$\textbf{ \underline{\dag\dag\dag《Lammps编程技巧及后处理程序技巧》：}}$ 主要介绍针对分子模拟的动力学过程（轨迹文件）进行后相关的处理分析（需要一定编程能力。难度： $\bigstar$ $\bigstar$ $\bigstar$ $\bigstar$ $\bigstar$ ）。
$\textbf{ \underline{\dag\dag\dag\dag《分子动力学后处理集成函数—Matlab》：}}$ 主要介绍针对后处理过程中指定函数，进行包装，方便使用者直接调用（需要一定编程能力，难度： $\bigstar$ $\bigstar$ $\bigstar$ $\bigstar$ ）。
$\textbf{ \underline{\dag\dag\dag\dag\dag《SCI论文绘图—Python绘图常用模板及技巧》：}}$ 主要介绍针对处理后的数据可视化，并提供对应的绘图模板（需要一定编程能力，难度： $\bigstar$ $\bigstar$ $\bigstar$ $\bigstar$ ）。
$\textbf{ \underline{\dag\dag\dag\dag\dag\dag《分子模拟—Ovito渲染案例教程》：}}$ 主要采用 $\rm Ovito$ 软件，对 $\rm Lammps$ 生成的轨迹文件进行渲染（难度： $\bigstar$ $\bigstar$ ）。

$\color{red}{\textbf{ \underline{专栏说明（订阅后可浏览对应专栏全部博文）：}}}$
$\color{red} 注意：$ 如需只订阅某个单独博文，请联系博主邮箱咨询。 $\rm lammps\_materials@163.com$

$\spadesuit$ $\dag$ 开源后处理集成程序：请关注专栏《LAMMPS后处理——MATLAB子函数合集整理》
$\spadesuit$ $\dag$ $\dag$ 需要付费定制后处理程序请邮件联系： $\rm lammps\_materials@163.com$

安装lammps及相关库的步骤网上很多，这里介绍在前期步骤准备好的情况下，如果in文件中包含反应力场以及需要通过voronoi库计算应力，如何通过基于gpu架构的kokkos+openmp实现计算加速

基于GPU的kokkos加速安装

1. 安装lammps

下载lammps稳定版本安装包，在同目录下键入命令行：tar -xvzf lammpsxxx.tar.gz

2. 安装cmake

具体方法参照 ubuntu安装cmake_yuanzhoulvpi的博客-CSDN博客_ubuntu安装cmake
安装完成后cmake --version查看安装版本，which cmake 查看安装路径

3. cmake相关文件修改

在解压好的lammps目录下执行如下命令行：

mkdir build_kokkos_cuda 
cd build_kokkos_cuda 
1
2

修改 $\rm /cmake/presets$ 文件夹中的 $\rm basic.make$ 文件，根据自己需要安装的 $\rm package$ 在文件中进行修改，也可以不修改，后面在命令行中添加即可。将 $\rm kokkos-cuda.cmake$ 文件中带有 $\rm ARCH\_GPUARCH$ 那一行删

4. cmake编译

在build_kokkos_cuda目录下进行编译，对于多核+gpu，
参考官方网址
3.7. Packages with extra build options — LAMMPS documentation，
编译需要设置如下变量：
在这里插入图片描述

其中HOSTARCH以及GPUARCH需要根据自己机器型号参考官网给出的表进行修改，机器具体型号可参考官网：https://ark.intel.com/content/www/us/en/ark.html#@Processors

在这里插入图片描述
使用如下命令行设置上述相关变量：

cmake -C ../cmake/presets/basic.cmake -C ../cmake/presets/kokkos-cuda.cmake DKokkos_ENABLE_OPENMP=on -DKokkos_ARCH_SKX=on -DBUILD_OMP=on ../cmake

cmake -C ../cmake/presets/basic.cmake -C ../cmake/presets/kokkos-cuda.cmake DKokkos_ARCH_AMPERE86=on -DKokkos_ENABLE_CUDA=on -DCMAKE_CXX_COMPILER= ${HOME}/lammps/lib/kokkos/bin/nvcc_wrapper ../cmake 
1
2
3

注意这里的 $nvcc\_wrapper$ 需要写绝对路径，一般在安装好的 $\rm lammps/lib/kokkos/bin$ 目录下变量设置完成后使用如下命令行进行编译，后面的20为编译时使用的核数：

cmake --build . -- -j20 
1

编译完成后会在 $\rm build\_kokkos\_cuda$ 目录下生成可执行文件 $\rm lmp$

5. 测试

使用 $l amm p s$ 自带的 $e x am pl e$ 进行测试，找到 $\rm /examples/reaxff$ 目录，将 $\rm in.reaxff.rdx$ 文件中的 $\rm pair\_style$ 改成 $\rm reaxff/kk$ ，在此目录下键入如下命令

mpirun -np 2 /home/groupc/lammps-new/lammps-3Nov2022/build_kokkos_cuda/lmp -k on g 1 sf kk -pk kokkos newton on neigh half -in in.reaxff.rdx
1

6. 安装VORONOI库

1. 安装voro++

进入安装好的 $\rm lammps$ 的 $\rm lib/voronoi$ 文件夹

在 $\rm Voro++ - Download (lbl.gov)$ 下载voro++压缩安装包
也可以用wget+网址命令进行下载。下载好后

tar -xvzf voro++-0.4.6.tar.gz
1

进入解压好的voro++文件夹，执行make，完成后执行sudo make install

2. 软链接

cd …退回lib/voronoi目录，键入如下命令：

 ln -s voro++-0.4.6/src includelink
 ln -s voro++-0.4.6/src liblink 
1
2

会生成两个软链接includelink和liblink

3. 编译lammps

进入安装好的lammps/src目录，在此目录下安装需要的package，根据自己的需要安装 package。每个package关联的命令见6.1. Available Packages — LAMMPS documentation。这里不建议通过make yes-all，make no-lib，make no-ext三个命令将所有不需要外接库的包直接装上，建议make yes-package安装自己需要的那些包，不然后续编译可能会出错。这里除了需要的简单包，还需要make yes-voronoi，即安装上我们需要的voronoi包。通过命令make package-status查看包的安装情况。安装完成后执行命令make mpi即可，编译完成后会在src目录下生成lmp_mpi文件

4. 测试

进入 $\rm lammps/examples/voronoi$ 文件夹，运行 $\rm mpirun -np\ N\ lmp\_mpi(path)\ -in\ in.voronoi$ ，测试是否安装上。这里 $\rm lmp\_mpi（path)$ 指的是需要写出可执行文件的路径，如果不想这么麻烦，可以把这个路径写到系统变量中即可。

5. 注意

这里编译完成后有两个可执行文件，一个是 $\rm build\_kokkos\_cuda$ 目录下有一个 $\rm lmp$ 文件，另一个是 $\rm lammps/src$ 目录下有一个
$\rm lmp\_mpi$ 文件。如果你的 in 文件中使用的是反应力场，并且包含 $\rm compute voronoi/atom$ 命令，我建议使用如下方式进行加速并调用 $\rm voronoi$ 库进行计算，这么做的原因一方面是因为 $\rm kokkos$ 加速主要在gpu完成计算（我的 $\rm gpu$ 使用率达到97%），而 $\rm voronoi$ 库的计算主要在cpu上完成，这么做可以发挥gpu及cpu的最大性能；另一方面是因为我暂时还不知道如何在 $\rm kokkos+openmp$ 编译时同时实现 $\rm voronoi$ 的编译，方式如下:

先通过 $\rm kokkos$ 加速完成整个运算并输出轨迹文件，这里运算可执行文件路径写 $\rm build\_kokkos\_cuda$ 下的 $\rm lmp$ 文件路径。建议轨迹文件的输出步长尽量小一些；
完成后重新书写一个in文件，在in文件中使用 $\rm rerun$ 命令读取上一步骤输出的轨迹文件并进行 $\rm voronoi$ 计算输出数据，设置好后运行 $\rm in$ 文件。运行时采用纯 $\rm cpu$ 计算，可执行文件路径写 $\rm src$ 目录下的 $\rm lmp\_mpi$ 文件路径。 $\rm in$ 文件的设置可以参考如下：

在这里插入图片描述

相关阅读:
kafka定义
【allegro 17.4软件操作保姆级教程四】布线前准备之叠层和阻抗设计
[项目管理-31]：Scurm迭代周期的项目总结与项目计划
matlab函数状态空间系统ss、能控性矩阵ctrb、矩阵的秩rank、能控标准型canon、零极点配置place、系统极点pole等函数（线性定常系统）
2023南京信息工程大学计算机考研信息汇总
在pycharm中出现下载软件包失败的解决方法
联合索引中，什么时候索引是有效的，什么时候所以是无效的？
英伟达系列显卡大解析B100、H200、L40S、A100、A800、H100、H800、V100如何选择，含架构技术和性能对比带你解决疑惑
node+vue前后端分离实现登录时使用图片验证码
APK反编译流程学习[1]

原文地址：https://blog.csdn.net/qq_43689832/article/details/127948630