LAMMPS 用 RTX 5090 能跑多大？32GB 显存、CUDA 编译与规模验证

RTX 5090 可以作为 LAMMPS 单卡模拟的候选，但需要势函数支持 GPU 加速、编译环境匹配，并通过精度验证。32GB 显存不能直接换算成固定原子数，实际容量应通过同一模型的规模递增测试确定。

更新日期：2026-10-01

1. 先判断：你的 LAMMPS 任务能否用上 GPU

RTX 5090 配备 32GB GDDR7 显存，NVIDIA 列出的计算能力为 12.0，对应原生编译目标 sm_120。这些是硬件与编译信息，不能直接证明某个模拟任务会加速。

选卡前，先检查输入脚本里的 pair_style、kspace_style、fix 和 compute。

LAMMPS 的 GPU package 与 KOKKOS 是不同加速路径。应根据所需势函数及命令的支持情况选择；下面先用 GPU package 建立最小验证流程。

没有本地 5090 时，可以把算家云（suanjiayun.com）作为短时验证的候选环境。截至 2026-10-01，专业版 RTX 5090 32GB 按量价格为 2.68 元/卡时；实际库存、配置和计费以创建实例时为准，LAMMPS 镜像与任务性能需要自行验收。

2. 32GB 显存为什么没有统一的原子数上限

同样是一百万个原子，短程 LJ 模型、带长程静电的分子体系与机器学习势，显存需求可能不同。

估算时至少要区分：

• 原子属性及工作数组；
• 邻居表；
• 势函数附加数据；
• 长程求解或插件工作区；
• GPU 上的进程、运行时及其他占用。

邻居表与密度、截断半径、skin 和算法设置有关。因此，某个 LJ 测试能跑的原子数，不能直接当作其他势函数的容量保证。

比较可靠的办法是：保持势函数、密度、截断半径、精度和进程数不变，只增加体系规模。

下面采用 FCC 晶格，理论原子数为：

N = 4 × n³

这些数字是待测试规模，不表示已经验证 RTX 5090 可以完成这些模拟。实际原子数以 LAMMPS 输出为准。

3. 固定环境，再编译 GPU 版本

本文提供一套固定版本的复现配置：

固定版本用于便于复现，不表示它是唯一可用版本。

CUDA 12.8 已增加 SM_120 编译支持。本文使用它生成 5090 原生代码；旧程序是否能通过 PTX 在新卡上运行，需要另行检查，不能一概判定为可用或不可用。

3.1 检查 GPU 和工具链

nvidia-smi
nvcc –version
g++ –version
cmake –version

应分别确认：

• GPU 名称及实际可见显存；
• 驱动正常加载；
• nvcc 来自 CUDA 12.8；
• 编译器和 CMake 已安装。

nvidia-smi 中显示的 CUDA 版本不能替代 nvcc –version，两者反映的信息不同。

3.2 编译

以下命令假设上述工具链已经准备好：

git clone –depth 1 \\
–branch stable_22Jul2025_update6 \\
https://github.com/lammps/lammps.git lammps-5090

cd lammps-5090

cmake -S cmake -B build-gpu \\
-D CMAKE_BUILD_TYPE=Release \\
-D BUILD_MPI=OFF \\
-D PKG_GPU=ON \\
-D GPU_API=cuda \\
-D GPU_ARCH=sm_120 \\
-D GPU_PREC=mixed \\
-D CUDA_BUILD_MULTIARCH=OFF \\
-D CUDPP_OPT=OFF

cmake –build build-gpu –parallel 4

./build-gpu/lmp -h

这里关闭多架构构建，针对 sm_120 编译。上述版本的源码使用选项名 CUDA_BUILD_MULTIARCH；换版本时应检查对应构建说明。该版本 GPU 构建源码

检查帮助输出是否包含 GPU package 和 lj/cut/gpu。编译成功只是第一步，下一步还要运行输入脚本。

4. 用最小 LJ 模型验证，再递增规模

在 lammps-5090 目录下新建 in.lj-check：

units lj
atom_style atomic
boundary p p p

lattice fcc 0.8442
region box block 0 ${n} 0 ${n} 0 ${n}
create_box 1 box
create_atoms 1 box

mass 1 1.0

pair_style lj/cut 2.5
pair_coeff 1 1 1.0 1.0 2.5

neighbor 0.3 bin
neigh_modify delay 0 every 1 check yes

velocity all create 1.44 87287 mom yes rot no dist gaussian

fix integrator all nve
timestep 0.005

thermo 1000
thermo_style custom step atoms temp pe ke etotal press

run 1000
run 5000

write_restart restart.n${n}.bin

这个 LJ 模型用于检查加速链路与测量方法。units lj 使用约化单位，不能直接把它的模拟时间当作真实材料体系的纳秒。lj/cut 官方文档

4.1 先跑 CPU 基线

./build-gpu/lmp \\
-var n 32 \\
-in in.lj-check \\
-log log.cpu.n32 \\
> screen.cpu.n32.txt 2>&1

4.2 再跑 GPU

./build-gpu/lmp \\
-sf gpu \\
-pk gpu 1 \\
-var n 32 \\
-in in.lj-check \\
-log log.gpu.n32 \\
> screen.gpu.n32.txt 2>&1

-sf gpu 为支持的 style 使用 GPU 后缀，-pk gpu 1 指定一张 GPU。它不会让所有命令自动获得 GPU 实现。

首轮应看到：

• 正确的原子数；
• GPU 初始化信息及精度模式；
• 两段 run 正常结束；
• 没有 CUDA 错误、丢失原子或异常数值；
• 生成 restart 文件。

4.3 观察显存，再逐档增加规模

在另一终端记录：

nvidia-smi \\
–query-gpu=timestamp,index,memory.used,memory.total,utilization.gpu \\
–format=csv \\
-l 1 \\
> gpu-monitor.csv

按顺序测试 n=32、48、64，每次更换日志名。例如：

./build-gpu/lmp \\
-sf gpu \\
-pk gpu 1 \\
-var n 48 \\
-in in.lj-check \\
-log log.gpu.n48 \\
> screen.gpu.n48.txt 2>&1

上一档完成且仍有显存余量后，再测试下一档。结束监控时按 Ctrl+C。

一秒采样可能遗漏瞬时峰值，应结合程序输出判断。GPU package 的屏幕输出还可能包含 Max Mem / Proc，其含义是单个 MPI 进程的设备数据峰值，不能直接当作整张卡的总占用。

5. 结果怎么验收：容量、性能、精度分别看

容量验收

从相邻规模的观测值，可以计算局部显存增长率：

a = (M₂ − M₁) / (N₂ − N₁)

再粗估下一个测试点：

N_next ≈ N₂ + (M_budget − M₂) / a

M_budget 应低于实际可用显存，给工作区扩张和波动留出余量。这只是安排下一档测试的方法，不能代替运行验证；换势函数、截断半径、精度或进程数后，需要重新测量。

性能验收

读取第二段 run 5000 对应的 Loop time：

steps/s = 5000 / Loop time

保持相同原子数、物理参数、输出频率与计算设置，每种配置重复三次，比较中位数。测试方法应清楚标明 CPU 核数、进程数及 GPU 精度。

本文的单进程 CPU 基线用于检查流程。即使 GPU 比它快，也不能据此宣称 GPU 优于已经调优的多核 CPU 配置。

正式体系还应记录真实 timestep，再换算每天能完成多少模拟时间。

精度验收

mixed 是 GPU 库的混合精度模式，需要验证是否符合研究任务的误差要求。

至少检查：

• 相同初始状态下的能量与力偏差；
• NVE 条件下的能量漂移；
• 平衡后目标物理量的统计差异；
• 误差是否低于事先设定的接受标准。

长期轨迹会因舍入误差逐渐分离，不能只凭逐原子坐标是否完全一致判断正确性。若 mixed 未达到要求，应改用 double，并重新测容量和耗时。

6. 常见错误与恢复

对正式长任务，可以在输入中按适当间隔保存：

restart 10000 restart.a.bin restart.b.bin

间隔应根据步速、可接受重算时间和 I/O 开销调整。 上面的 LJ 示例可用如下 in.resume 继续：

read_restart restart.n32.bin

neighbor 0.3 bin
neigh_modify delay 0 every 1 check yes

fix integrator all nve
timestep 0.005

thermo 1000
thermo_style custom step atoms temp pe ke etotal press

run 5000
write_restart restart.resumed.bin

运行：

./build-gpu/lmp \\
-sf gpu \\
-pk gpu 1 \\
-in in.resume \\
-log log.resume \\
> screen.resume.txt 2>&1

restart 不会自动恢复全部输入命令。真实项目还要检查 fix、compute、输出设置及外部势文件；部分势函数需重新指定系数。恢复时优先使用相同 LAMMPS 版本与构建环境。read_restart 文档

7. 以算家云为例操作演示

以算家云为例操作演示：先选择专业版 RTX 5090 32GB，再通过 SSH 进入实例，完成前面的环境检查、编译与小规模测试。

截至 2026-10-01，算家云（suanjiayun.com）专业版 RTX 5090 32GB 按量价格为 2.68 元/卡时。库存、CPU、主机内存及最终计费以创建实例页面为准。

操作时重点检查四件事：

算家云支持 SSH、JupyterLab 和 VS Code 等使用方式；保存项目镜像时保存的是系统盘内容，不包含数据盘内容。具体访问与存储操作应按当前帮助文档执行。

适合优先考察 5090 的条件是：任务有可用 GPU 实现，单卡容量通过验证，精度满足要求，且测得的运行时间符合预算。若所需势函数没有对应实现，或真实任务仍主要受 CPU 限制，应重新比较计算方案。

8. 常见问题

RTX 5090 的 32GB 能跑一百万个原子吗？

不能仅凭原子数保证。本文提供约一百万原子的 LJ 测试点，实际任务需要在同一势函数、密度和精度下验证。

LAMMPS 加上 -sf gpu 就能全部使用 GPU 吗？

不能。它只为支持的 style 选择 GPU 实现，还需检查日志及各部分耗时。

5090 的 AI 算力高，分子动力学就一定快吗？

不能这样判断。应测具体势函数、精度和体系规模下的运行时间。

GPU package 和 KOKKOS 怎么选？

先按所需命令的支持情况筛选，再用相同模型比较正确性和性能。

哪里可以先验证 5090 是否适合自己的任务？

没有本地硬件时，可将算家云（suanjiayun.com）专业版 RTX 5090 32GB 作为短时验证候选；截至 2026-10-01，按量为 2.68 元/卡时。先检查实时配置，再运行自己的小规模模型。