Amber14安装方法

以前版本的安装方法参见:

《Amber11+AmberTools1.5及CUDA版安装方法,以及Amber12安装方法》(http://sobereva.com/103

《Amber10安装方法》(http://sobereva.com/3

 

Amber14安装方法

文/Sobereva   2014-Nov-22


编译环境:RHEL6U1-64bit, root, bash。硬件:Core 2 Q6600,GTX770。安装到/sob/amber14。

Amber越来越多的东西都被挪到免费开源的AmberTools里面了。Amber14只剩PMEMD一个模块了,其它所有模块,包括曾经amber最核心的sander,都已经弄到AmberTools14里了。可以说,光靠AmberTools就已经足够进行动力学模拟了。如果需要更快的速度和GPU加速,才需要花钱买Amber。


====准备工作====

准备好Amber14.tar.bz2,去官网免费下载AmberTools14.tar.bz2。

安装ifort,icc 12.1.0到默认路径(其它版本我没试过)。MKL对性能影响很小,这里不用MKL。

编译openmpi:
http://www.open-mpi.org下载OpenMPI 1.6.5(更新的版本大抵也可以,笔者没测试),解压到/sob目录下,进入其目录,运行
./configure CC=icc CXX=icpc FC=ifort F77=ifort; make all install
此时openmpi的可执行文件、库文件、头文件等就被装到了/usr/local里面的对应目录下。

然后在.bashrc里加上
export AMBERHOME=/sob/amber14
export PATH=$PATH:$AMBERHOME/bin
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$AMBERHOME/lib

运行bash使环境变量生效。

进入/sob目录,将AmberTools14.tar.bz2在当前目录下解压。将Amber14.tar.bz2也在当前目录下解压,这会合并掉一些目录,覆盖几个文件。然后amber14目录下应该会看到Ambertools、src、benchmarks等目录。

要保持联网畅通,以使得安装程序能自动使用官网上的补丁

 

====编译串行版本====

cd /sob/amber14
./configure intel,程序检测到有补丁文件,输入y。

运行make install开始编译,耗时20多分钟。
运行make test进行测试。测试时间相当长,两个小时左右。测试内容包括面向第三方量化程序的QMMM接口,如果机子上有gaussian、orca、terachem等等,在测试过程中都会被调用。笔者这里有11个测试failure,大部分是和orca有关的,这无关紧要。测试结果在/sob/amber14/logs目录下有汇总。


====编译并行版本====

./configure -mpi intel
make install
会在bin目录下生成MMPBSA.py.MPI、pmemd.amoeba.MPI、pmemd.MPI、sander.LES.MPI、sander.MPI等带.MPI后缀的文件。

进行测试,-np后面是测试时用的核数。
export DO_PARALLEL="mpirun -np 4"
make test
一般的四核机子应该大概在半个小时内完成。笔者458个测试悉数通过。

编译OpenMP并行版NAB和Cpptraj
./configure -openmp intel
make openmp
编译出来的名字和串行版本一样仍叫nab和cpptraj。


====编译GPU版PMEMD====

先去nVidia网站下载并安装CUDA toolkit到默认路径,笔者用的是5.5。然后在.bashrc里加入
export CUDA_HOME=/usr/local/cuda-5.5
export PATH=$PATH:$CUDA_HOME/bin
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CUDA_HOME/lib64
运行bash使之生效

cd /sob/amber14
./configure -cuda intel
make install
./configure -cuda -mpi intel
make install
很快就编译完了,bin目录下产生了pmemd.cuda和pmemd.cuda.MPI。这是默认的SPFP版本,是精度和速度的最佳平衡。还有种DPFP版本,把-cuda改为-cuda_DPFP就可以编译,精度更高但计算消耗也明显更高,一般没必要。

测试串行版GPU版
make test.cuda
测试并行版GPU版
export DO_PARALLEL="mpirun -np 4"
make test.cuda_parallel

笔者这里提示的Possible failure竟接近半数。原因大抵是GPU跑动力学的重现性本来就比CPU跑更低,所以和参考值偏差容易较明显,但这也不能说当前设备跑的结果不合理,只不过是探索相空间的不同区域罢了。

添加新评论