Szimulációtól a gyors eredményig: így alakítja át a mérnöki munkát a GPU és az AI
Az autó körül áramló levegőt senki sem látja, mégis sok múlik rajta, hogy meddig bírja egy töltéssel. Az ilyen mérnöki szimuláció eddig egy teljes éjszakán át futott. Mi változik a mérnök munkájában, ha az eredmény már ebédre megérkezik? Mennyire lehet a becslést a mesterséges intelligenciára bízni?
Ha egy elektromos autó hatótávjáról beszélünk, legtöbbször az akkumulátor kapacitására gondolunk. Sokat számít viszont valami, amire ritkán gondolunk: hogyan áramlik a levegő a karosszéria, a kerekek és az alváz körül. A légellenállás közvetlenül befolyásolja, hány kilométert tesz meg a jármű egy töltéssel.
Hasonló, szemmel nem követhető fizikai folyamatok döntik el, mennyire melegszik fel működés közben az akkumulátorcsomag, és milyen hatékonyan dolgozik az az ipari berendezés, amelyen folyadék halad át.
Erről beszélgettek a Siemens és az NVIDIA szakemberei az idei Hannover Messén.
Ales Alajbegovic, a Siemens Digital Industries Software ipari metaverzumért felelős globális programmenedzsere így foglalta össze, miről van szó:
Ezek mind olyan jelenségek, amelyeket vezetés közben nem látunk, pedig folyamatosan jelen vannak. Az autó körüli áramlás erőt kelt, és ez az erő rontja az energiahatékonyságot. Amikor ezt az aerodinamikát szimuláljuk, ezt hívjuk általában numerikus áramlástannak (CFD, az áramlások számítógépes modellezése).
Milliónyi cella, egy teljes éjszaka
Ezek a mérnöki szimulációk a Siemens Simcenter STAR-CCM+ programjában futnak. A szoftver a légáramláson túl a hőátadást, a részecskék mozgását, a kémiai reakcióval járó áramlásokat, a folyadék és a szerkezet kölcsönhatását, sőt az áramlás keltette zajt is modellezi. Ennek köszönhetően
egy termék valósághű működési körülmények között vizsgálható, még mielőtt prototípus készülne belőle.
A fizikai tesztekre továbbra is szükség van. A szimuláció viszont olyan viselkedést is láthatóvá tesz, amelyet közvetlenül nehéz megmérni.
A mérnöki szimuláció ára viszont a számítási igény. Egy nagy pontosságú számítógépes modell a teret milliónyi, akár milliárdnyi apró cellára bontja, és mindegyikben kiszámolja az áramlást. A tervezőcsapatoknak ezért eddig gondosan mérlegelniük kellett:
minél részletesebb a modell, annál kevesebb tervváltozat fér bele a rendelkezésre álló időbe.
Ennek a szűk keresztmetszetnek a feloldására építette be a Siemens a STAR-CCM+-ba az NVIDIA grafikus processzoraira (GPU) szabott gyorsítást és a vállalat CUDA-X nevű programkönyvtár-gyűjteményét. A Siemens által közölt autóaerodinamikai tesztfuttatásban
a futásidő a hagyományos processzorokkal felszerelt referenciagépen mért 14,9 óráról 2,7 órára csökkent nyolc NVIDIA B200 GPU-n: ez nagyjából 82 százalékos rövidülés.
Neil Ashton, az NVIDIA kiemelt vezető mérnöke és termékarchitektusa a mindennapi munka felől közelítette meg a számokat:
Ha az eredményt 15 óra múlva kapjuk vissza, az korlátozza, hány tervet tudunk végignézni. Ha három óra alatt megvan, reggel elindítjuk a szimulációt, ebédre kész az eredmény, lefuttatunk még egy tervet, és hazaindulás előtt azt is átnézzük. A termelékenység nő, mert az éjszakából egy délelőtt vagy egy délután lesz.
A felszabaduló gépidőt nem kell feltétlenül ugyanannak a számításnak a gyorsabb megismétlésére fordítani. A mérnökök dönthetnek úgy is, hogy finomabb felbontású modellt vagy bonyolultabb fizikai jelenségeket számolnak.
A két cég között a munkamegosztás a következő: az NVIDIA adja a gyorsított számítási kapacitást, a programkönyvtárakat és az AI-infrastruktúrát, a Siemens pedig ezeket építi be a szimulációs munkafolyamatokba és a fizikai számítómotorokba. A mérnökök ebből keveset érzékelnek:
az alkalmas feladatok úgy kerülnek át a hagyományos processzorról (CPU) a GPU-ra, hogy a megszokott módszereiket nem kell újraépíteniük.
A GPU-s futtatás 2022-ben jelent meg a programban, kezdetben járműaerodinamikai feladatokra.
Azóta a hőkezelésre, az áramlási zajra, az égési folyamatokra, a gázturbinák elemzésére és a hiperszonikus, vagyis a hangsebesség sokszorosával zajló áramlásokra is kiterjed. A Simcenter-csapat 2024-es összefoglalója a hiperszonikus alkalmazások közül az Apollo-kapszula légköri visszatérésének szimulációját emeli ki. Ugyanez az összefoglaló arról is beszámol, hogy a szoftver és a hardver fejlődése együtt akár négyszeres gyorsulást hozott az első kiadáshoz képest.
Az eredményeket ügyfélnél is igazolták.
A Siemens tavaly júniusi közleménye szerint a BMW Group és a Siemens a STAR-CCM+-szal, NVIDIA Blackwell GPU-kon harmincszor gyorsabb futást ért el teljes járműmodellek időben változó (tranziens) aerodinamikai szimulációjában, miközben az energiafelhasználás és a költségek is csökkentek.
Amit a modell a korábbi szimulációkból tanul
A gyorsítás következő lépcsőjéhez a cégeknél évek alatt felhalmozott szimulációs eredmények adják az alapot.
Neil Ashton arról is beszélt, hogyan lehet ezekből olyan mesterségesintelligencia-modellt tanítani, amely a teljes szimuláció helyett gyors becslést ad. Az ilyen modellt ezért helyettesítő (surrogate) modellnek is nevezik.
Jellemzően egy jól körülhatárolt feladatra tanítják be, például egy autókarosszéria lehetséges változataira. Ha ezen belül új formát kap, töredékidő alatt megbecsüli, hogyan viselkedik majd az áramlásban, így nem kell minden egyes változatra lefuttatni a teljes, órákig tartó szimulációt.
Ez egészen más műfaj, mint mondjuk egy általános csetbot. A modell azt tanulja meg, hogyan függ a szimuláció eredménye a formától és a működési körülményektől. Amit tud, azt kizárólag a betanításhoz kapott adatokból tudja. Ashton erről így beszélt:
Arról van szó, hogy egy neurális hálót korábbi szimulációs adatokon tanítunk. Hogy mennyire jó a modell, az azon múlik, mennyire jók az adatok. Ezért nem a hagyományos szimuláció, például a numerikus áramlástan helyettesítője, hanem szoros, mondhatni szimbiotikus kapcsolatban áll vele.
A tanítóadatokat továbbra is a fizikai alapú szimuláció állítja elő, a GPU-s gyorsítás pedig ezt a munkát rövidíti le. A helyettesítő modell ezután jóval tágabb tervezési teret, vagyis a szóba jöhető tervváltozatok jóval nagyobb körét tudja bejárni, a legígéretesebbnek talált változatokat pedig a mérnökök ismét a teljes szimulációval ellenőrzik.
A Siemens ezt a megközelítést a Simcenter PhysicsAI-jal vitte be a saját eszközeibe.
A STAR-CCM+ kiegészítőjeként idén május 27-én bejelentett szoftver geometriai mélytanulással, vagyis olyan módszerrel készít egyszerűsített modelleket az áramlásszimulációk eredményeiből, amely közvetlenül a térbeli formákból tanul. Tanítóadatnak a korábbi tervezési kísérletsorozatok eredményeit is felhasználja, így kevesebb szimulációt kell újra lefuttatni.
A Siemens szerint a tervváltozatok vizsgálata így nagyságrendileg ezerszer gyorsabb, mint ha mindegyikre lefuttatnák a teljes szimulációt, és egyes feladatok napokról percekre rövidülnek.
Maga a becslés GPU-n akár százszor gyorsabban készül el, mint hagyományos processzoron. A beépített hibamutatók jelzik, mennyire lehet egy-egy becslésre támaszkodni, az eredeti szimuláció pedig ellenőrzésre végig elérhető marad.
Sam Mahalingam, a Siemens Digital Industries Software szimulációért, nagy teljesítményű számítástechnikáért (HPC) és mesterséges intelligenciáért felelős ügyvezető alelnöke a bejelentéskor úgy fogalmazott:
„A mérnöki szimulációt nem a fizika korlátozza, hanem az, hogy milyen gyorsan tudjuk feltárni a lehetőségeket.” Majd hozzátette: „Nem a fizikai alapú szimuláció pontos, determinisztikus eredményeit váltjuk ki, hanem skálázhatóvá és azonnal elérhetővé tesszük őket.”