Orland, Fabian; Müller, Matthias S. (Thesis advisor); Bischof, Christian (Thesis advisor)
Aachen : RWTH Aachen University (2026)
Doktorarbeit
Dissertation, RWTH Aachen University, 2026
Kurzfassung
Das Gebiet der numerischen Strömungssimulation (CFD) beschäftigt sich mit der Simulation von turbulenten oder reaktiven Strömungen aus realen Anwendungen. Diese Simulationen benötigen leistungsstarke Hochleistungsrechner, um effizient in angemessener Zeit durchgeführt werden zu können. Große Simulationen von industrieller Relevanz können jedoch die Rechenkapazitäten selbst der größten gegenwärtigen Supercomputer überschreiten. In solchen Fällen werden spezielle Modellierungstechniken angewendet, welche die Beziehung zwischen verschiedenen physikalischen Größen akkurat beschreiben, ohne die tatsächliche Physik zu simulieren. Aufgrund der Verfügbarkeit großer Datensätze und leistungsstarker Hardware haben datengetriebene Modelle aus dem Bereich des tiefen Lernens (DL) in den letzten Jahren an Bedeutung gewonnen. Die Untersuchung datengetriebener Ansätze zur Modellierung physikalischer Probleme erfordert die Kopplung existierender Strömungslöser mit der Inferenz von DL-Modellen. Während viele traditionelle Strömungslöser über Jahrzehnte hinweg für eine effiziente Ausführung auf CPU-Architekturen optimiert wurden, lässt sich die Inferenz von DL-Modellen erheblich durch den Einsatz von GPUs beschleunigen. Die erforderliche Kopplung stellt eine Herausforderung für die effiziente Ausnutzung heterogener Hochleistungsrechner, bestehend aus mehrkernigen CPUs und massiv parallelen GPUs, dar. In dieser Arbeit wird die Kopplung hochparalleler numerischer Strömungssimulationen mit DL-Modellen untersucht und ein neues, skalierbares, allgemeines Kopplungsverfahren entwickelt, welches die Inferenz des DL-Modells effizient auf verteilten GPUs beschleunigt, während die Ausführung des Strömungslösers auf CPUs verbleibt. Basierend auf der Anforderungsanalyse vierer realer, gekoppelter Anwendungsfälle, wird ein formales, abstraktes Kopplungsmodell definiert, um die Semantik eines allgemeinen Kopplungsverfahrens zu verstehen, welches ein breites Spektrum verschiedener Strömungslöser und DL-Modellarchitekturen unterstützt. Außerdem wird ein neues hybrides Inferenzverfahren vorgeschlagen, um die Auslastung der heterogenen Hardwareressourcen zu optimieren. Die Flexibilität und Erweiterbarkeit des allgemeinen Kopplungsverfahrens werden anhand einer Erweiterung demonstriert, die das Online-Training von DL-Modellen, gekoppelt an einen Strömungslöser, ermöglicht. Das entwickelte allgemeine Kopplungsverfahren und seine beiden Erweiterungen werden in eine neue Kopplungsbibliothek implementiert, welche auch die neue AIxeleratorService-Bibliothek als Backend für die verteilte Inferenz beinhaltet. Die Rechenleistung des implementierten Kopplungsverfahrens wird mit allen vier Anwendungsfällen aus dieser Arbeit evaluiert, um die Anwendbarkeit auf reale Anwendungen mit effizienter Skalierbarkeit zu demonstrieren.
Einrichtungen
- Lehrstuhl für Hochleistungsrechnen (Informatik 12) [123010]