1. 硬件：

8171m*2；RTX3060-12G；RTX3080Ti-12G

2. 测试内容：

lammps，eam势，hcp-Ti（原子数：54000/128000/432000/1024000）, fix npt驰豫

3.  环境

oneAPI-2022.0.1,  cuda-11.6

4. 测试结果

PS：横坐标为核数，双路8171m共52核；纵坐标为每秒计算的步数，数值越大越快。

• 不论原子数的多少，GPU加速的最佳核数都是8-16核。在每一步的计算过程中原子的坐标和力数据都在CPU和GPU之间来回移动，过多的核数会导致数据交流复杂度增加，进而造成CPU-CPU和CPU-GPU的通信延时。因而GPU加速时调用的核数并非越多越好，该测试中8-16核为最优核数。

• 原子越多时，GPU的加速效果越明显。原子数54000，RTX3060加速效果反而低于52核8171m的满核速率。

• 高核数下，RTX3080Ti计算速度可达纯8171m速度的2倍；RTX3060大概是纯8171m的1.2倍；RTX3080Ti的加速效率大概是RTX3060的1.5-1.7倍。RTX3080Ti相比RTX3060具有更多的cuda核心数。

• 当我们使用GPU加速时，会有较多的cpu核数处于空闲状态，那么剩余的核数，可进行独立的纯CPU计算任务。比如我们可以同时进行两个计算任务：任务1调用8cores+GPU ；任务2调用 44cores。如此算来，那么GPU带来的计算效率提升更高。

• GPU加速计算时，GPU的资源是显存，即显存满了，计算就会报错停止。MD计算中显存的占用与模型大小、调用核数、neighbor bin大小有关。因此，计算时我们需选用显存大的GPU。

• 目前lammps中依旧还有部分势函数不支持GPU加速，如常用的meam势。因此我们在购买服务器时，需充分了解自己的计算的前提下进行显卡的选择。