計算流體動力學（ CFD ） – NVIDIA 技術博客

高性能計算的能效：平衡速度與可持續性

Tue, 14 Nov 2023 06:21:21 +0000

計算世界正處于巨變的邊緣。對計算能力的需求，尤其是高性能計算 (HPC) 逐年增長，這也意味著能源消耗也在增長。然而，潛在的問題當然是，能源是一種具有局限性的資源。因此，世界面臨的問題是，我們如何更好地將計算重點從性能轉移到能效。在考慮這個問題時，必須考慮到任務完成率與能耗之間的相關性。這種關系通常會被忽略，但它可能是一個關鍵因素。本文將探討速度與能效之間的關系，以及向更快完成任務轉變所帶來的影響*. 以交通運輸為例。在物體運動的情況下，在除真空之外的任何其他情況下，阻力與行駛速度的平方成正比。這意味著在給定距離內，行駛速度是行駛速度的兩倍，所需的力和能量是行駛速度的四倍。人員和貨物在地球周圍移動意味著在空氣或水(在物理學中，兩者都是“流體”)中行駛，這個概念有助于解釋為什么行駛速度更快需要更多的能量。大多數運輸技術都依賴礦物燃料，

Source

]]>

用圖神經網絡開發基于物理的機器學習模型

Tue, 06 Jun 2023 06:41:39 +0000

NVIDIA PhysicsNeMo是一個框架，用于構建、訓練和微調物理系統的深度學習模型，也稱為物理知情機器學習（physics ML）模型。現在，PhysicsNeMo 以開源軟件（OSS）的形式提供（基于 Apache 2.0 許可證），以支持不斷增長的物理 ML 社區。最新的 PhysicsNeMo 軟件更新 23 . 05 版匯集了新的功能，使研究界和行業能夠通過開源協作將研究開發成企業級解決方案此次更新的兩個主要組成部分是 1 ）支持包括圖神經網絡（ GNN ）和遞歸神經網絡（ RNN ）在內的新網絡架構，以及 2 ）提高人工智能從業者的易用性。 GNN 正在改變研究人員如何應對涉及復雜圖形結構的挑戰，例如物理、生物學和社交網絡中遇到的挑戰。通過利用圖的結構， GNN 能夠根據圖中節點之間的關系進行學習和預測。通過 GNN 的應用，

Source

]]>

異步錯誤報告：當 printf 無法執行時

Tue, 16 May 2023 04:44:33 +0000

有些編程情況要求異步報告“軟”錯誤。雖然可以是一個有用的工具，它可以增加寄存器的使用并影響性能。在這篇文章中，我們提出了一個替代方案，包括一個頭庫，用于在 GPU 上生成自定義錯誤和警告消息，而無需對內核進行硬停止。錯誤報告往往會影響性能。雖然有些錯誤必須立即處理，但其他錯誤可以以警告和軟錯誤的形式出現，稍后可以報告和解決。對于 GPU 來說，這通常是一個很好的策略，因為不同的內核可以在不同的流上啟動。如果出現任何錯誤，您可以異步查詢并解決。例如，在一些物理模擬代碼中，可能存在物理上不可行的數值解決方案，例如負質量。您可能需要改變運行參數以獲得可行的解決方案，如設置較小的時間步長。雖然有時可以創建誤差估計器，但在極少數情況下，估計器仍可能失敗。在 GPU 的上下文中， CUDA 用戶可能傾向于檢查偶爾出現的不可行解決方案，然后使用以在屏幕上提醒最終用戶。

Source

]]>