Author: admin

Sementara kode CFD yang diimplemen Python secara tradisional dipandang sebagai kompromi kinerja, XLB membuktikan WARP dapat memberikan kinerja alur kerja CFD transformatif dalam praktiknya. Gambar 1 di bawah ini membandingkan kinerja, diukur dalam jutaan pembaruan kisi per detik (MLUPS), antara Solver Backend Warp Backend berbasis OpenCL FluidX3D dan XLB untuk simulasi aliran rongga yang digerakkan oleh LID 512³. Angka -angka ini didasarkan pada data yang tersedia untuk umum dan pembandingan internal yang dilakukan oleh tim peneliti Autodesk. Hasilnya menunjukkan bahwa kode Python XLB yang diakelerasi Warp mencapai kinerja yang sebanding (sekitar 95% mirip) dengan solver FluidX3D berbasis OpenCL yang diimplementasikan dalam C ++ untuk simulasi aliran rongga yang digerakkan oleh LID.

Pada saat yang sama, Warp menawarkan kemampuan keterbacaan yang sangat baik dan kemampuan prototipe cepat melalui antarmuka Python-nya, berbeda dengan backend berbasis C ++ dan OpenCL dari kode FluidX3D.

Kesetaraan kinerja ini membahas tantangan lama dalam penelitian CFD. Secara tradisional, para peneliti menghadapi pertukaran antara produktivitas pengembangan dan kinerja komputasi, memilih antara aksesibilitas Python atau efisiensi implementasi yang dioptimalkan dalam bahasa seperti C ++ atau Fortran. Dengan menggunakan Warp, XLB memungkinkan para peneliti untuk memanfaatkan ekosistem perpustakaan numerik Python, alat visualisasi, dan kerangka kerja pembelajaran mesin sambil mempertahankan kinerja throughput tinggi.

Warp juga dapat memanfaatkan arsitektur GH200 Grace Hopper Superchip. Selama kolaborasi bersama antara Autodesk Research dan NVIDIA, tim XLB menskalakan pemecah backend XLB XLB ke konfigurasi multi-node yang dapat melakukan simulasi CFD hingga sekitar 50 miliar elemen komputasi.

Tim menerapkan strategi komputasi di luar inti di mana domain komputasi dan variabel aliran terkait berada di memori CPU dan secara sistematis ditransfer ke GPU untuk diproses. Ini diaktifkan oleh interkoneksi NVLink-C2C GH200, dengan bandwidth CPU-GPU 900 GB/s. Itu membuat strategi komputasi di luar inti sangat praktis dengan memungkinkan streaming data yang cepat karena ubin komputasi ditukar masuk dan keluar dari memori GPU. Koherensi memori NVLink-C2C mendukung transfer data yang mulus untuk pendekatan di luar inti, menghilangkan bottleneck CPU-GPU tradisional dalam simulasi skala besar.

Gambar 2 Di atas secara kuantitatif menunjukkan penskalaan mendekati linear dengan meningkatnya jumlah simpul untuk ukuran simulasi maksimum (kiri) dan throughput komputasi (kanan) untuk pemecah backend Warp XLB. Cluster GH200 delapan simpul memungkinkan simulasi dengan sekitar 50 miliar sel kisi sambil mencapai ~ 8x speedup dibandingkan dengan sistem GH200 simpul tunggal.

Prestasi ini menandai titik balik di mana CFD asli Python tidak lagi menjadi kompromi tetapi keunggulan inovasi.

“XLB, yang ditenagai oleh NVIDIA WARP, membantu para peneliti dengan cepat membuat prototipe dan menguji ide -ide baru tanpa diperlambat oleh kemacetan kinerja,” kata Mehdi Ataei, ilmuwan riset utama AI di Autodesk Research. “Kelincahan ini telah menyebabkan pengembangan beberapa prototipe penelitian kami sedang dalam proses penerbitan.”

NVIDIA WARP: Tulis pemecah dengan kecepatan warp

Di bagian ini, kami mengeksplorasi beberapa fitur utama yang membuat warp unik cocok untuk mengembangkan alat simulasi CAE yang dapat diskalakan.

NVIDIA WARP menyediakan jembatan yang kuat antara CUDA dan Python untuk pengembang simulasi (Gambar 3). Ini memungkinkan pengembang untuk menulis kernel GPU secara langsung di Python yang hanya dalam waktu (JIT)-dikompilasi menjadi kode CUDA asli. Warp menawarkan kemampuan simulasi yang kaya, seperti Warp.fem untuk analisis elemen hingga, membedakannya dari perpustakaan Python-Cuda yang ada seperti Numba. Yang penting, kernel warp dapat dibedakan berdasarkan desain, memungkinkan integrasi tanpa batas dengan kerangka kerja pembelajaran yang mendalam seperti Pytorch dan Jax. Warp juga mempertahankan interoperabilitas dengan banyak kerangka kerja yang ada, termasuk Numpy, Cupy, dan Jax, yang memungkinkan pengguna untuk memanfaatkan kekuatan masing -masing kerangka masing -masing.

Gambar 4 di atas membandingkan throughput komputasi (dalam MLUP) dan konsumsi memori antara Backend Warp dan Jax XLB. Untuk konfigurasi perangkat keras spesifik yang digunakan oleh tim peneliti Autodesk dan tolok ukur aliran rongga yang digerakkan oleh tutup, Warp mengungguli JAX dalam hal throughput dan penggunaan memori (Gambar 4). Pemecah backend Warp XLB memberikan speedup ~ 8x di atas solver backend JAX pada satu GPU A100 sambil mencapai efisiensi memori yang lebih baik dua hingga tiga kali pada GPU yang sama, untuk aliran rongga yang digerakkan oleh tutup.

Peningkatan kinerja yang substansial (plot kiri pada Gambar 4) berasal dari desain yang dioptimalkan simulasi Warp dan model pemrograman kernel eksplisit. Warp memungkinkan pengembang untuk menulis kernel CUDA khusus domain dan fungsi perangkat secara langsung di Python. Pendekatan eksplisit ini menghilangkan overhead komputasi dan memungkinkan kinerja yang lebih dapat diprediksi untuk simulasi CAE. Selain itu, Warp's JIT Compiler melakukan optimasi agresif, termasuk loop Unslolling dan eliminasi cabang, lebih lanjut meningkatkan kecepatan eksekusi.

Keuntungan efisiensi memori (plot yang tepat pada Gambar 4) mencerminkan filosofi manajemen memori eksplisit Warp. Warp mengharuskan pengembang untuk pra-pengalokasian input dan output array, menghilangkan alokasi memori tersembunyi dan buffer menengah. Pendekatan langsung ini, sambil membutuhkan perhatian pengembang, menghasilkan jejak memori yang lebih ramping yang dapat diprediksi dengan ukuran masalah.

Menjembatani kesenjangan antara kinerja dan produktivitas

Pertukaran historis antara produktivitas pengembangan dan kekuatan komputasi mentah tidak lagi menjadi kompromi yang diperlukan. Perpustakaan XLB – dikembangkan oleh Autodesk Research dan dipercepat oleh NVIDIA WARP – mengeksekrifikasi paradigma baru ini. Ini membuktikan bahwa kerangka kerja asli Python dapat memberikan kinerja yang setara dengan kode tingkat rendah yang sangat dioptimalkan sambil mempertahankan aksesibilitas dan siklus pengembangan yang cepat dari ekosistem Python.

Jelajahi lebih lanjut tentang XLB & NVIDIA WARP

Mulailah dengan Autodesk Research XLB dan NVIDIA WARP untuk proyek CFD Anda menggunakan tautan di bawah ini: