粒子分解和域分解并行化算法的优缺点是什么？
我正在使用几个软件包（例如Gromacs和DL_POLY）运行分子动力学（MD）模拟。 Gromacs现在支持粒子分解和域分解算法。默认情况下，Gromacs模拟使用域分解，尽管直到最近，多年以来，粒子分解是Gromacs中唯一实现的方法。在Gromacs的一篇论文（DOI 10.1002 / jcc.20291）中，作者给出了最初选择粒子分解的原因： “早期的设计决策是选择使用粒子分解而不是域分解来将工作分配到处理器上。在后一种情况下，将空间域分配给处理器，这使得仅通过本地通信即可快速找到空间邻居，但是会带来复杂性对于跨越空间边界的粒子而言，域分解是一个更好的选择，只有当线性系统的大小大大超出相互作用范围时，分子动力学中才很少发生这种情况，通过粒子分解，每个处理器都可以计算力和坐标/速度更新对于预先分配的粒子，使用预先计算的邻居列表均匀分布在处理器上。F我 ĴF一世ĴF_{ij}从颗粒之间的一对相互作用产生一世一世i 和ĴĴj，这是需要两种粒子的速度更新和 一世一世iĴĴj，仅计算一次，并传达给其他处理器。每个处理器将系统的完整坐标集保留在其本地内存中，而不是将存储限制在所需的坐标范围内。这更简单并节省了通信开销，而内存要求通常根本不是限制因素，即使对于数百万个粒子也是如此。另一方面，可以包含多达1000倍粒子数量的邻居列表分布在处理器上。基本上，通信仅限于围绕处理器环的每个时间步发送一次坐标和力。这些选择随着时间的推移被证明是可靠的，并且很容易适用于现代处理器集群。” 句子“仅当线性系统的大小大大超过相互作用范围时，才是域选择是一个更好的选择，这在分子动力学中很少见”，它们是什么意思？从上面的段落中，我得到一种想法，即粒子分解的优点是不必处理跨域边界移动的粒子。相反，您只需要为每个处理器有足够的内存来存储整个系统配置即可。因此，粒子分解看起来非常有利，而域分解看起来非常不利。 我确信这是一个非常复杂的问题（可能是许多书籍的主题），但是基本上，如果粒子分解看起来如此有利，为什么有人需要使用域分解？ 如果系统规模很大（使每个处理器都难以或不可能存储整个配置），则域分解是否有利？基于上面引用的段落，我不确定为什么最近刚将域分解作为Gromacs中的默认并行化算法。 似乎现在的DL_POLY（版本4）也使用域分解。从版本4手册中： “以这种方式对配置数据进行划分是基于原子在模拟单元中的位置，系统数据的这种几何分配是DD算法的特点。请注意，为了使该策略有效地起作用，系统必须具有合理均匀的密度，以便为每个处理器分配几乎相等的原子数据部分（尽可能多），通过这种方法，在处理器和该方法在概念上很简单，尽管编程很麻烦，但在概念上却很简单，特别适合效率最高的大规模仿真。 ... 在使用DD策略的情况下，SHAKE（RATTLE）算法比DL_POLY Classic的“复制数据”方法更简单，后者需要原子位置的全局更新（合并和剪接）。” 这听起来好像域分解是好的，因为它可能更有效，即使可能更难以实现。 另一方面，以前的版本（DL_POLY Classic）使用了复制数据并行化，这似乎是粒子分解的另一个名称。从该版本的手册中： 复制数据（RD）策略是在MD中实现并行化的几种方法之一。从配置数据的并行计算机中的每个节点（在复制其名称导出即阵列限定的原子坐标，速度 ，和力，对于全部[R一世[R一世\textbf{r}_iv一世v一世\textbf{v}_iF一世F一世\textbf{f}_iññN在模拟系统中的每个原子都在每个处理节点上重现。在这种策略中，大多数力的计算和运动方程的积分可以在节点之间轻松而平等地共享，并且在很大程度上可以在每个节点上独立进行处理。该方法编程相对简单并且相当有效。而且，它很容易在单个处理器上“崩溃”运行。但是，该策略在内存中可能很昂贵，并且具有较高的通信开销，但总的来说，它已被证明在各种应用程序中都是成功的。 该段似乎与该问题的第一段基本一致，不同之处在于它说复制的数据/粒子分解具有“高通信开销”。Gromacs论文的段落似乎相反-粒子分解是更可取的，因为它比域分解具有较低的通信开销。 你有什么想法吗？