《使用GPU加速分子动力学模拟中的非绑定力计算》这篇论文主要探讨了如何利用GPU（图形处理器）的并行计算能力来提升分子动力学模拟中非绑定力计算的效率。在分子动力学模拟中，非绑定力计算是计算密集型的部分，占据了大部分计算时间。论文提出了基于CUDA（Compute Unified Device Architecture）和Brook+两种双精度算法，并在NVIDIA的Tesla C1060和AMD的HD 4870这两款主流GPU上实现了非绑定力的计算。
CUDA是NVIDIA推出的一种编程接口，它允许程序员直接利用GPU的并行计算能力进行高性能计算。论文中，作者利用CUDA设计了一种算法，通过任务分割和空间分解方法，将非绑定力的计算分配到GPU的计算核心上，以提高计算效率。CUDA的并行特性使得大量粒子的计算任务得以高效执行。
Brook+是一种GPU编程语言，它扩展了Brook语法，用于科学计算。论文中，作者同样使用Brook+实现了一种优化算法，同样针对非绑定力计算进行优化。Brook+的流式计算模型有助于在GPU上进行数据处理，减少了数据传输的时间成本。
为了进一步提升性能，论文还提出了两种优化策略。一种是在线程块内使用共享存储，使得相邻线程间可以快速交换数据，减少全局内存访问的开销。另一种是通过数据集最小化，避免不必要的数据复制和传输，从而提高计算速度。
实验结果显示，在配置有NVIDIA Tesla C1060的系统上，对于43.2万个粒子的高速粒子碰撞模拟，性能相对于Intel Xeon 2.6GHz CPU的单核提升了6.5倍。而在配置AMD HD 4870的系统上，性能提升了4.8倍。这表明利用GPU的并行计算能力可以显著加速分子动力学模拟中的非绑定力计算。
关键词：GPU、分子动力学模拟、CUDA、Brook+。这篇论文的研究对高性能计算领域，特别是生物物理、化学和材料科学等领域有着重要的实践意义，因为这些领域广泛应用分子动力学模拟来研究复杂的物质行为。通过GPU的加速，科学家们可以更快地获得模拟结果，为科学研究提供更强大的工具。
