正如评论中提到的，一本关于科学计算的 C++ 并行编程的好、简单的书/资源已经为学习并行编程的更一般问题提供了答案。

话虽如此，如果您决定继续学习并行编程，一个简单的 Lennard-Jones Monte Carlo 程序可能不是一个糟糕的尝试项目。OpenMP 方法相对容易理解和实现。许多编译器都有一个 -fopenmp 标志，它将打开pragma代码中任何 OpenMP 的处理。一个典型的例子pragma是应用于一个for循环（或在 Fortran 中，一个do循环），以在并行线程之间划分迭代。例如，如果你想总结个数字，并且你有个线程可用，每个线程可以总结（大约）$N$$P$$N/P$的数字，并行，然后结果可以在最后组合。您需要首先学习一些基本的 OpenMP 概念：变量private和shared变量之间的差异，以及至关重要的reduction变量的概念，它将保存求和的结果。但是在这个级别上掌握 OpenMP 并不需要太长时间。

关键是，在最简单的蒙特卡洛程序中，耗时的部分正是这样一个循环。当您考虑移动一个原子时，您需要计算移动前后它与所有其他原子之间的 Lennard-Jones 对势的总和。这假设您有一个相对较小的系统，并且没有使用复杂的技术（例如域分解/邻居列表）来加快速度。基本上，如果您可以并行化一个简单的求和循环，那么并行化单粒子势能计算并不是一个巨大的延伸。

在您的集群上，很可能每个节点都包含多个可以访问相同内存的内核：如果是这样，那么您可以使用 OpenMP 在单个节点上运行，每个线程对应于其中一个内核。因此，原则上，在最佳情况下，您可能会获得每个节点有多少内核的加速。

对于更大规模的 Monte Carlo，可能需要更复杂的方法。可以并行化大规模的 Monte Carlo 代码（例如，通过使用域分解和编写使用 MPI 的程序），但比这个简单的 OpenMP 示例更繁琐且需要更多注意（因为需要确保详细的平衡）。

如果您决定以这种方式进行，您绝对应该首先跟进上面提到的一些资源。但是在你学习了基础知识之后，实际上只是在一个简单的程序中插入几行额外的行来总结一组数字，作为测试，然后对你的代码做类似的事情，然后编译适当的选项。