NVIDIA GPU 持续加速并推进 CAE 发展

本文转载自 Jon Peddie Research 为 NVIDIA 编写的电子书，原文可查看：

https://jinshuju.net/f/lytrl9

计算机辅助工程（CAE）始于 50 年代，简单而言，CAE 指利用计算机解决工程问题。CAE 提出的目的在于利用计算机将工程或生产的各个环节有机组织起来。利用信息集成，赋能工程（产品）的整个开发周期。作为一种资源密集型技术，CAE 是一项仍在等待解决方案的挑战。

最初，Altair、Ansys、Autodesk、Dassault Systèmes（Simulia）、Hexagon MSC 和 Siemens 等主要工程仿真软件提供商长期依赖将 CPU 作为驱动计算的主要引擎时开发出的技术。但随着工程师希望提高真实感和复杂度，需要处理规模更大、更复杂的问题，利用 CPU 驱动可能需要花费数小时、数天甚至数周的时间才能得到处理结果，时间成本相对较高。

CAE 的主要任务是执行大规模并行进程，CAE 通过在模型上创建节点网格来评估模型，然后对节点应用力和条件，评估设计是否适合其用途，网格越密集，仿真就越可靠。NVIDIA 于 1999 年发明首款图形处理器（GPU），为 CAE 实现重大转型创造了舞台。

CPU 适用于广泛的工作负载，多用于集中处理单个任务，而 GPU 则以其灵活性和性能特点，多用于并行计算，可同时处理多个应用程序。GPU 的优势在于单个芯片上的处理单元数量远超 CPU，从这一角度来比较，GPU 处理器的成本远低于 CPU 处理器。与 CPU 相比，GPU 的密度更高而总体拥有成本更低，因此具有明显的性价比优势。

NVIDIA 推出针对 GPU 的开发工具，赋能 CAE 转型

那么，如果 GPU 处理器的成本低于 CPU，且 GPU 更适合 CAE 工作负载，那么为什么并非所有软件程序都改为使用 GPU？

其挑战在于，GPU 和 CPU 的工作方式各不相同，需要针对两者采用特定的编程方法。CAE 是基于数十年前的技术开发的复杂应用，为 GPU 调整这些程序并非易事，但 NVIDIA CUDA 和 OpenCL 等编程工具的推出，赋能开发者更轻松地利用 GPU 加速 CAE 开发流程。

NVIDIA 在 2006 年因率先做出承诺和对 CUDA 进行投资脱颖而出。CUDA 是一个用于应用 GPU 加速的专门代码库。作为这项工作的一部分，NVIDIA 一直与 CAE 开发者合作，创建为仿真分析可视化常见任务量身打造的工具。NVIDIA 专注于更新 GPU 技术，推动其进入专用工具开发领域。

CAE 供应商引入 GPU，探寻最佳应用途径

自 2014 年以来，各个主要 CAE 供应商都在某种程度上利用了 GPU 加速。

Ansys Discovery 专为 GPU 构建

不同于 Fluent CFD 工具对大型应用进行移植，Ansys 针对 GPU 从头开始进行设计 Discovery。因为在仿真公司向 GPU 加速过渡的过程中，需要面对的挑战是为 CPU 编写的部分代码可能会降低整体性能，因而 Ansys 有意识地改变策略，从头开始在 GPU 上编写代码软件。Discovery 技术的开发标志着 Ansys 在其传统产品（传统上针对设计周期的结束而开发）上的突破，可赋能设计师在早期评估设计概念，并进行设计迭代和分析。

西门子借助 NVIDIA AmgX 构建 Simcenter STAR-CCM+

西门子并未急于进入 GPU 市场，而是在 C++ 工具不断成熟和 NVIDIA Volta 体系架构的推出后，开始着手进入该市场。西门子借助了 NVIDIA 的 AmgX，构建基于 GPU 版本的 CFD 软件 Simcenter STAR-CCM+。该版本专注于车辆外部空气动力学应用，因为这项工作需要的物理模型和物理模型的相关框架移植都较少，但具有巨大的计算用度，有必要进行并行化，而 GPU 加速非常具有吸引力。

Simcenter STAR-CCM+ 基于 CPU （左）和基于 GPU （右）的运行之间的平均压力系数计算结果。

MSC Software 利用 NVIDIA CUDA 框架切入 GPU 编码

MSC Software 基于 NVIDIA GPU 编写了新产品 MSC Apex Generative Design，该产品可使用以前需要昂贵的集群才能运行的计算。Hexagon 的开发者借助 NVIDIA CUDA 框架作为切入点，能够立即开始编码。MSC 开发团队使用 MSC Apex Generative Design、CUDA、CuBLAS 和 CuSPARSE 在其生成式设计应用中启用 GPU 加速。

Hexagon 使用 GPU 从头开始构建其产品 MSC Apex Generative Design 。不仅能够更快生成产品，而且将设计、网格化和分析功能融于一体。

MSC Software 产品管理副总裁 Hugues Jeancolas 表示，通过将代码迁移至 GPU，团队不仅可以提高代码的效率，而且鉴于 CPU 核心比 GPU 核心更昂贵，运行代码的成本也相应得以降低。

NVIDIA CUDA 库赋能 Dassault Systèmes 电磁分析

在适应 CAE 程序以实现 GPU 加速的早期阶段，电磁分析已成为 GPU 加速的早期受益者。Dassault Systèmes 并购的 CST（Computer Simulation Technology），其 CST Studio Suite 基于有限差时域仿真算法，非常适合 GPU 架构。此外，它还受益于大容量 GPU 显存和显存带宽，并且从工作站 GPU 到数据中心计算 GPU 的扩展效果非常出色。CST 团队相信，使用 NVIDIA 的 CUDA 库使得从头开始开发新项目变得更加容易。

使用 Simulia CST Studio Suite 进行的电磁分析，用于评估天线和滤波器的性能和效率。该技术用于确定电磁兼容性和干扰（EMC/EMI），并测量人体在 EM 场中的暴露情况。

Altair 利用 GPU 改进求解器性能

随着 GPU 开发工具的推出，Altair 的工程师开始支持 GPU。他们相信 NVIDIA 持续的技术更新、开发者工具和支持有助于流程的简化。Altair 推出的新款 EDEM 多 GPU 求解器可借助数百万个粒子解决更重大的产业问题，还可以在添加额外的 GPU 卡时提供性能可扩展性。Altair SVP CFD/ 副总裁 David Curry 表示：“与用来处理类似工作负载的 12 个 CPU 相比，添加 GPU 可将 EDEM 的性能提升 20 倍。”

转轮中的 2000 万个粒子在 EDEM 多 GPU 求解器上运行，并根据其速度进行着色。每个粒子及其碰撞均由 EDEM 求解器独立追踪，而 GPU 技术可提高计算性能并增加可解决的问题规模。

GPU 推进 CAE 发展，多行业应用前景丰富

行业用例和开发者实际体验显示，GPU 提供的性能优势和成本优势优于 CPU。此外，针对渲染、CAE、AI/ML、视频编辑和游戏优化的 GPU 种类繁多且与日俱增，可确保为各个功能强大的工作站系统都配备功能强大的 GPU。

数字孪生的兴起为行业引发了新的想象力。在数字孪生行业中，CAE 可基于物理学原理预测物理世界的真实发展状况，各行业开发人员可在数字孪生中查看产品运行状态、预估故障发生时间及后果，以及时改进物理世界的流程设置和运行策略，能为物理世界运行进行“预测”。

NVIDIA 不断优化 GPU 性能，更新 GPU 架构。以核心或每秒浮点运算（FLOPS）来衡量的 NVIDIA GPU 将持续赋能 CAE 行业，加速并推进 CAE 发展。

点击“https://jinshuju.net/f/lytrl9“，注册下载《加速并推进 CAE 发展》白皮书。