软件下载

我们建议所有用户升级到最新版以获得最佳性能与功能。

Stable Release

最新稳定版本 GPUMD-v5.6

GPUMD-v5.6 亮点

新功能、修复与改进

立即下载 v5.6

gpumd 可执行程序

新功能：
  • 新增 deposit 关键字，用于执行原子沉积模拟。 #1603
  • 新增支持使用两个以上恒温器进行 NEMD 模拟的方法（内部用，无文档）。 #1617
修复与改进：
  • 改进了 NNAP 势函数接口。 #1553 #1566 #1576 #1613
  • 改进了 DP 势函数接口。 #1550 #1551
  • 修复了报道的电子停止能量损失。 #1549
  • 为输出文件添加表头信息，便于后续解析。 #1552 #1579 #1581 #1623
  • 修复了一个限制模拟规模的问题，有效提升了单 GPU 与多 GPU 模拟可支持的最大体系规模。 #1577
  • 修复了 qNEP 使用 PPPM 时单原子位力计算中的一个错误。 #1567

nep 可执行程序

修复与改进：
  • 支持设置 loss.out 的输出间隔。 #1608
  • 支持使用现有 nep.txt 中的描述符归一化参数。 #1605

文档更新

  • 修复了 MTTK 系综文档中的错误。 #1589
  • 改进了双温模型（TTM）的相关文档。 #1558

测试

  • 新增基于 pytest 和 calorine 的测试套件。 #1586

快速开始

仅需三步，即可在您的环境中部署 GPUMD。

Step 01

环境准备

加载 CUDA 编译环境。

module load cuda
Step 02

解压源码

解压下载的 ZIP 包。

unzip GPUMD.zip
Step 03

编译程序

进入 src 目录并执行 make 编译。

cd GPUMD/src && make

官方技术手册

包含完整的输入输出格式说明与模拟示例

在线阅读 PDF 下载

历史版本归档

需要获取旧版本？请在此查阅版本演进历史。

查看 GitHub 全部版本
Archive v5.5

v5.5

Jul 2026

改进 NNAP 势函数接口，扩展了 DP 势函数接口，新增对 DPA1–DPA4 的支持。

下载 Source (ZIP)
Archive v5.4

v5.4

Jul 2026

加快 non-full-batch 训练速度，新增更多四体描述符。

下载 Source (ZIP)
Archive v5.3

v5.3

Jun 2026

扩展了四体五体描述符，新增 compute_ic 离子电导率，新增 qNEP 使用部分电荷计算电场力。

下载 Source (ZIP)
Archive v5.2

v5.2

May 2026

新增 two-temperature model (TTM) 系综 ensemble ttm 和 ensemble heat_ttm。

下载 Source (ZIP)
Archive v5.1

v5.1

Apr 2026

新增 compute_chunk 分块计算、量子热浴系综、NNAP 接口。

下载 Source (ZIP)
Archive v5.0

v5.0

Mar 2026

引入 gpumd-mdi。

下载 Source (ZIP)
Archive v4.9.1

v4.9.1

Feb 2026

Bug修复与性能提升。

下载 Source (ZIP)
Archive v4.9

v4.9

Fab 2026

加速了 GPUMD 的模拟速度。

下载 Source (ZIP)
Archive v4.8

v4.8

Jan 2026

支持微调描述符；引入lambda_q 与 lambda_z 两个损失权重，发布gnep可执行文件。

下载 Source (ZIP)
Archive v4.7

v4.7

Dec 2025

引入新的 typewise cutoff 方案，进一步提升了力场定义的灵活性。

下载 Source (ZIP)
Archive v4.6

v4.6

Nov 2025

正式引入 qNEP 机器学习势模型，支持带电体系的高精度模拟。

下载 Source (ZIP)
Archive v4.5

v4.5

Oct 2025

添加了 ADP (Angular Dependent Potential) 势函数支持。

下载 Source (ZIP)

引用声明 (Citation)

如果您的研究工作或产品使用了 GPUMD，请务必引用以下文章：

GPUMD 4.0: A high-performance molecular dynamics package for versatile materials simulations with machine-learned potentials

Authors: Ke Xu, Hekai Bu, Shuning Pan, Eric Lindgren, Yongchao Wu, Yong Wang, Jiahui Liu, Keke Song, Bin Xu, Yifan Li, Tobias Hainer, Lucas Svensson, Julia Wiktor, Rui Zhao, Hongfu Huang, Cheng Qian, Shuo Zhang, Zezhu Zeng, Bohan Zhang, Benrui Tang, Yang Xiao, Zihan Yan, Jiuyang Shi, Zhixin Liang, Junjie Wang, Ting Liang, Shuo Cao, Yanzhou Wang, Penghua Ying, Nan Xu, Chengbing Chen, Yuwen Zhang, Zherui Chen, Xin Wu, Wenwu Jiang, Esme Berger, Yanlong Li, Shunda Chen, Alexander J. Gabourie, Haikuan Dong, Shiyun Xiong, Ning Wei, Yue Chen, Jianbin Xu, Feng Ding, Zhimei Sun, Tapio Ala-Nissila, Ari Harju, Jincheng Zheng, Pengfei Guan, Paul Erhart, Jian Sun, Wengen Ouyang, Yanjing Su, Zheyong Fan

Journal: Materials Genome Engineering Advances

Year: 2025

Volume: 3

Pages: e70028

DOI: 10.1002/mgea.70028
查看全文