本文轉載自 Jon Peddie Research 為 NVIDIA 編寫的電子書，原文可查看：

https://jinshuju.net/f/lytrl9

計算機輔助工程（CAE）始于 50 年代，簡單而言，CAE 指利用計算機解決工程問題。CAE 提出的目的在于利用計算機將工程或生產的各個環節有機組織起來。利用信息集成，賦能工程（產品）的整個開發周期。作為一種資源密集型技術，CAE 是一項仍在等待解決方案的挑戰。

最初，Altair、Ansys、Autodesk、Dassault Systèmes（Simulia）、Hexagon MSC 和 Siemens 等主要工程仿真軟件提供商長期依賴將 CPU 作為驅動計算的主要引擎時開發出的技術。但隨著工程師希望提高真實感和復雜度，需要處理規模更大、更復雜的問題，利用 CPU 驅動可能需要花費數小時、數天甚至數周的時間才能得到處理結果，時間成本相對較高。

CAE 的主要任務是執行大規模并行進程，CAE 通過在模型上創建節點網格來評估模型，然后對節點應用力和條件，評估設計是否適合其用途，網格越密集，仿真就越可靠。NVIDIA 于 1999 年發明首款圖形處理器（GPU），為 CAE 實現重大轉型創造了舞臺。

CPU 適用于廣泛的工作負載，多用于集中處理單個任務，而 GPU 則以其靈活性和性能特點，多用于并行計算，可同時處理多個應用程序。GPU 的優勢在于單個芯片上的處理單元數量遠超 CPU，從這一角度來比較，GPU 處理器的成本遠低于 CPU 處理器。與 CPU 相比，GPU 的密度更高而總體擁有成本更低，因此具有明顯的性價比優勢。

NVIDIA 推出針對 GPU 的開發工具，

賦能 CAE 轉型

那么，如果 GPU 處理器的成本低于 CPU，且 GPU 更適合 CAE 工作負載，那么為什么并非所有軟件程序都改為使用 GPU？

其挑戰在于，GPU 和 CPU 的工作方式各不相同，需要針對兩者采用特定的編程方法。CAE 是基于數十年前的技術開發的復雜應用，為 GPU 調整這些程序并非易事，但 NVIDIA CUDA 和 OpenCL 等編程工具的推出，賦能開發者更輕松地利用 GPU 加速 CAE 開發流程。

NVIDIA 在 2006 年因率先做出承諾和對 CUDA 進行投資脫穎而出。CUDA 是一個用于應用 GPU 加速的專門代碼庫。作為這項工作的一部分，NVIDIA 一直與 CAE 開發者合作，創建為仿真分析可視化常見任務量身打造的工具。NVIDIA 專注于更新 GPU 技術，推動其進入專用工具開發領域。

CAE 供應商引入 GPU，

探尋最佳應用途徑

自 2014 年以來，各個主要 CAE 供應商都在某種程度上利用了 GPU 加速。

Ansys Discovery 專為 GPU 構建

不同于 Fluent CFD 工具對大型應用進行移植，Ansys 針對 GPU 從頭開始進行設計 Discovery。因為在仿真公司向 GPU 加速過渡的過程中，需要面對的挑戰是為 CPU 編寫的部分代碼可能會降低整體性能，因而 Ansys 有意識地改變策略，從頭開始在 GPU 上編寫代碼軟件。Discovery 技術的開發標志著 Ansys 在其傳統產品（傳統上針對設計周期的結束而開發）上的突破，可賦能設計師在早期評估設計概念，并進行設計迭代和分析。

西門子借助 NVIDIA AmgX

構建 Simcenter STAR-CCM+

西門子并未急于進入 GPU 市場，而是在 C++ 工具不斷成熟和 NVIDIA Volta 體系架構的推出后，開始著手進入該市場。西門子借助了 NVIDIA 的 AmgX，構建基于 GPU 版本的 CFD 軟件 Simcenter STAR-CCM+。該版本專注于車輛外部空氣動力學應用，因為這項工作需要的物理模型和物理模型的相關框架移植都較少，但具有巨大的計算用度，有必要進行并行化，而 GPU 加速非常具有吸引力。

Simcenter STAR-CCM+ 基于 CPU （左）和基于 GPU （右）的運行之間的平均壓力系數計算結果。

MSC Software 利用

NVIDIA CUDA 框架切入 GPU 編碼

MSC Software 基于 NVIDIA GPU 編寫了新產品 MSC Apex Generative Design，該產品可使用以前需要昂貴的集群才能運行的計算。Hexagon 的開發者借助 NVIDIA CUDA 框架作為切入點，能夠立即開始編碼。MSC 開發團隊使用 MSC Apex Generative Design、CUDA、CuBLAS 和 CuSPARSE 在其生成式設計應用中啟用 GPU 加速。

Hexagon 使用 GPU 從頭開始構建其產品 MSC Apex Generative Design 。不僅能夠更快生成產品，而且將設計、網格化和分析功能融于一體。

MSC Software 產品管理副總裁 Hugues Jeancolas 表示，通過將代碼遷移至 GPU，團隊不僅可以提高代碼的效率，而且鑒于 CPU 核心比 GPU 核心更昂貴，運行代碼的成本也相應得以降低。

NVIDIA CUDA 庫

賦能 Dassault Systèmes 電磁分析

在適應 CAE 程序以實現 GPU 加速的早期階段，電磁分析已成為 GPU 加速的早期受益者。Dassault Systèmes 并購的 CST（Computer Simulation Technology），其 CST Studio Suite 基于有限差時域仿真算法，非常適合 GPU 架構。此外，它還受益于大容量 GPU 顯存和顯存帶寬，并且從工作站 GPU 到數據中心計算 GPU 的擴展效果非常出色。CST 團隊相信，使用 NVIDIA 的 CUDA 庫使得從頭開始開發新項目變得更加容易。

使用 Simulia CST Studio Suite 進行的電磁分析，用于評估天線和濾波器的性能和效率。該技術用于確定電磁兼容性和干擾（EMC/EMI），并測量人體在 EM 場中的暴露情況。

Altair 利用 GPU 改進求解器性能

隨著 GPU 開發工具的推出，Altair 的工程師開始支持 GPU。他們相信 NVIDIA 持續的技術更新、開發者工具和支持有助于流程的簡化。Altair 推出的新款 EDEM 多 GPU 求解器可借助數百萬個粒子解決更重大的產業問題，還可以在添加額外的 GPU 卡時提供性能可擴展性。Altair SVP CFD/ 副總裁 David Curry 表示：“與用來處理類似工作負載的 12 個 CPU 相比，添加 GPU 可將 EDEM 的性能提升 20 倍。”

轉輪中的 2000 萬個粒子在 EDEM 多 GPU 求解器上運行，并根據其速度進行著色。每個粒子及其碰撞均由 EDEM 求解器獨立追蹤，而 GPU 技術可提高計算性能并增加可解決的問題規模。

GPU 推進 CAE 發展，

多行業應用前景豐富

行業用例和開發者實際體驗顯示，GPU 提供的性能優勢和成本優勢優于 CPU。此外，針對渲染、CAE、AI/ML、視頻編輯和游戲優化的 GPU 種類繁多且與日俱增，可確保為各個功能強大的工作站系統都配備功能強大的 GPU。

數字孿生的興起為行業引發了新的想象力。在數字孿生行業中，CAE 可基于物理學原理預測物理世界的真實發展狀況，各行業開發人員可在數字孿生中查看產品運行狀態、預估故障發生時間及后果，以及時改進物理世界的流程設置和運行策略，能為物理世界運行進行“預測”。

NVIDIA 不斷優化 GPU 性能，更新 GPU 架構。以核心或每秒浮點運算（FLOPS）來衡量的 NVIDIA GPU 將持續賦能 CAE 行業，加速并推進 CAE 發展。