Numerične simulacije postajajo vse zahtevnejše. Modeli imajo vedno več prostostnih stopenj, kompleksnejše kontakte, nelinearne materiale in zahtevnejše fizikalne pojave. Hkrati si inženirji želijo rezultate čim prej, saj lahko hitrejši izračun pomeni več preverjenih konstrukcijskih variant in krajši razvojni cikel.

Pri tem pomembno vlogo prevzema GPU pospeševanje. Grafične kartice oz Grafične procesne enote (GPU) niso več namenjene samo prikazovanju 3D-modelov, temveč lahko pri ustreznih numeričnih algoritmih prevzamejo velik del računskih operacij.

SIMULIA Abaqus je podporo GPU računanju razvijal že vrsto let. Z novejšimi različicami Abaqusa se področje še pomembneje širi, saj GPU pospeševanje ni več omejeno samo na posamezne implicitne simulacije, temveč vključuje tudi zmogljivosti v eksplicitnih preračunih. Na 3DEXPERIENCE platformi je mogoče takšne izračune celo izvajati na zmogljivih računalniških virih v oblaku, brez potrebe po lastni HPC (High Performance Computing) infrastrukturi.

Kako deluje GPU pospeševanje Abaqus simulacij?

Pri klasičnem izračunu večino numeričnih operacij izvajajo procesorska jedra (CPU). Pri GPU pospešenem izračunu se določeni deli algoritma izvajajo vzporedno na več tisoč GPU računskih jedrih.

To je posebej učinkovito pri operacijah, ki jih je mogoče dobro paralelizirati.

V Abaqusu se GPU-pospeševanje uporablja pri različnih reševalnikih in postopkih, med drugim pri:

implicitnem Direct Sparse Solverju,
AMS eigensolverju,
modalnem frequency response solverju,
iterativnem sparse solverju,
novejše različice pa prinašajo tudi GPU-pospeševanje Eksplicitnega solverja.

Pomembno je razumeti, da GPU ne pospeši nujno celotnega izračuna. Pri določeni simulaciji se na GPU izvajajo samo deli algoritma, ki jih Abaqus lahko učinkovito paralelizira. Zato rezultat ni preprosto “hitrost GPU-ja”, temveč kombinacija zmogljivosti CPU-ja, GPU-ja, pomnilnika, komunikacije med napravami in samega numeričnega problema.

GPU in implicitne simulacije

Implicitni solver se uporablja predvsem za statične, nelinearne, termične, dinamične in druge analize, pri katerih je pomembna robustnost in natančnost rešitve.

Pri GPU-pospeševanju je ena pomembnejših možnosti Direct Sparse Solver. Abaqus omogoča uporabo GPU za pospeševanje direktnega reševanja linearnih sistemov. GPU lahko sodeluje pri faktorizaciji in drugih računsko intenzivnih operacijah.

Pri zelo velikih modelih lahko pomembno vlogo igra tudi pomnilnik. Direktni solverji lahko namreč zahtevajo zelo velike količine pomnilnika, zato samo dodajanje zmogljivega GPU-ja ni vedno rešitev.

Iterativni solver in več GPU-jev

Novejši razvoj Abaqusa prinaša tudi GPU-pospeševanje iterativnih solverjev. To je posebej zanimivo pri velikih modelih, kjer lahko direktni solver zaradi zahtev po pomnilniku postane manj učinkovit.

Pri Abaqus 2026 FD03 je bil dodatno izboljšan več-GPU AMG iterativni solver. Objavljeni benchmarki vključujejo modele z do približno 51 milijoni prostostnih stopenj, pri katerih je bila preizkušena konfiguracija s štirimi NVIDIA H100 GPU-ji. Rezultati kažejo pomembno zmanjšanje časa iterativnega reševanja v primerjavi s prejšnjo različico. Pri tem pa velja, da je učinkovitost odvisna od konkretnega modela in konfiguracije strojne opreme.

GPU-pospeševanje eksplicitne simulacije

Posebej zanimiv razvoj predstavlja GPU-podpora za eksplicitne simulacije.

Explicit solver se pogosto uporablja za zelo nelinearne in kratkotrajne dinamične probleme, kot so:

simulacije trkov,
padci,
udarci,
preoblikovanje,
velike deformacije,
crash analize,
kompleksni kontaktni problemi.

V verziji 2026 je bila GPU podpora za eksplicitne analize dodana kot splošno razpoložljiva funkcionalnost pri simulacijah na 3DEXPERIENCE platformi. Podpora je namenjena tako dinamičnim kot kvazistatičnim analiznim postopkom.

To je pomemben korak, saj so lahko eksplicitne simulacije izredno računsko zahtevne. Pri velikih modelih lahko GPU prevzame velik del računskih operacij, medtem ko CPU še vedno opravlja dele izračuna, ki niso primerni za GPU.

Kdaj lahko pričakujemo največji učinek?

GPU ni univerzalna rešitev za vsako Abaqus simulacijo.

Največji potencial imajo predvsem veliki, računsko intenzivni modeli, pri katerih je velik delež časa namenjen operacijam, ki jih je mogoče učinkovito paralelizirati.

Pri Abaqus/Explicit so po objavljenih benchmarkih največje pospešitve dosežene pri modelih, kjer prevladujejo izračuni elementov. Pri modelih z zelo zahtevnimi kontaktnimi interakcijami je učinek praviloma manjši, saj del izračuna še vedno poteka na CPU.

Na splošno se lahko GPU najbolj koristi, kadar:

je model dovolj velik,
je veliko 3D solid elementov,
je solver glavni porabnik računskega časa,
je mogoče velik delež operacij paralelizirati,
je na voljo dovolj GPU-pomnilnika,
CPU in GPU nista medsebojno ozko grlo.

Pri majhnih modelih pa lahko čas prenosa podatkov in drugi režijski stroški zmanjšajo ali celo izničijo prednost GPU-ja.

Benchmarki: kaj lahko pričakujemo?

Pri predstavitvi GPU-pospeševanja je treba biti previden z eno številko, kot je na primer “GPU je 5× hitrejši”.

Ni univerzalnega faktorja pospešitve.

Rezultat je odvisen od modela, solverja, elementov, kontaktov, števila CPU jeder, števila in tipa GPU-jev in različice Abaqusa.

Že starejši uradni benchmarki NVIDIA/SIMULIA so pokazali približno 2 do 3 kratne pospešitve pri ustreznih Abaqus problemih, ob določenih konfiguracijah pa tudi več. NVIDIA trenutno za implicitne simulacije navaja rezultate do približno 3,7× v primerjavi s preračuni, ki potekajo le na procesorju, vendar je treba to razumeti kot rezultat konkretnih testnih konfiguracij in ne kot pričakovano pospešitev za vsako simulacijo.

Zanimiv primer predstavlja tudi AMS eigensolver. Za model statorja s približno 7,6 milijona prostostnih stopenj, ki je zahteval približno 2,3 × 10¹⁵ operacij s plavajočo vejico za faktorizacijo štirih sistemskih operatorjev, je bil test izveden na sistemu z 48-jedrnim Intel Xeon Gold 6336Y in 2 × NVIDIA A100 40 GB. Rezultati so pokazali, da je bila za ta konkretni problem najbolj učinkovita konfiguracija 16 CPU jeder + 2 GPU-ja, ne pa maksimalno število CPU jeder.

To je zelo pomembna ugotovitev: več CPU jeder ali več GPU-jev še ne pomeni avtomatsko krajšega časa izračuna.

Pri GPU-pospeševanju je zato pomembno poiskati optimalno ravnotežje med CPU in GPU.

Primerjava zmogljivosti

Konfiguracija	Potencialni rezultat
CPU	Osnovna referenčna zmogljivost
CPU + 1 GPU	Pri ustreznih modelih lahko občutno krajši čas izračuna
CPU + 2 GPU	Dodatna pospešitev pri dobro paralelizabilnih problemih
CPU + več GPU	Prednost predvsem pri velikih modelih in ustreznih solverjih
Veliko CPU brez GPU	Lahko je optimalno pri problemih, ki GPU ne izkoristijo dobro

Pri tem je pomembno, da se učinkovitost ne povečuje linearno. Če en GPU skrajša čas izračuna za določen odstotek, dva GPU-ja ne bosta nujno pomenila dvakratnega pospeška.

Omejitve GPU pospeševanja

GPU pospeševanje ima tudi svoje omejitve. Pri implicitnih analizah je GPU podpora vezana na določene solverje in postopke. Dokumentacija na primer navaja podporo za Direct Sparse Solver, AMS eigensolver in modal frequency response solver, medtem ko določene analize ali funkcionalnosti uporabljajo drugačne načine paralelizacije.

Pri eksplivitnih analizah so omejitve še posebej pomembne. GPU pospeševanje trenutno ni podprto za nekatere napredne funkcionalnosti, med drugim:

User Subroutines,
CEL – Coupled Eulerian-Lagrangian,
ALE – Arbitrary Lagrangian-Eulerian,
particle metode,
določene druge specializirane postopke.

Zakaj je 3DEXPERIENCE pri tem pomemben?

Pri tradicionalnem pristopu mora podjetje za GPU pospeševanje investirati v lastno delovno postajo ali HPC infrastrukturo.

To pomeni:

nakup zmogljivih CPU-jev,
nakup profesionalnih GPU-jev,
dovolj sistemskega in GPU-pomnilnika,
ustrezno hlajenje,
konfiguracijo strežnikov,
vzdrževanje infrastrukture,
nadgradnje strojne opreme.

Pri 3DEXPERIENCE platformi se lahko del tega problema prenese v oblak.

Sistem omogoča oddajo in spremljanje Abaqus simulacij na 3DEXPERIENCE oblaku, kjer so na voljo zmogljive računske konfiguracije. Uporabnik tako ni nujno omejen z zmogljivostjo lokalne delovne postaje.

Še pomembneje: aktualne izboljšave platforme omogočajo dostop do cloud compute konfiguracij z GPU-ji za Abaqus simulacije, kar neposredno povezuje GPU-pospeševanje s 3DEXPERIENCE okoljem.

To odpira zanimiv način dela:

SOLIDWORKS / CAD → Simulacije na 3DEXPERIENCE → GPU/HPC izračun → rezultati → sodelovanje in odločanje

Lokalen preračun ali preračun v oblaku?

Pri odločanju med lokalnim sistemom in preračunom na 3DEXPERIENCE oblaku je treba upoštevati predvsem način uporabe.

Lokalen preračun

Lokalna delovna postaja je smiselna, kadar:

se simulacije izvajajo vsak dan,
so modeli relativno predvidljive velikosti,
podjetje potrebuje stalno razpoložljivost,
ima ustrezno IT infrastrukturo,
želi imeti nadzor nad strojno opremo.

Preračun v oblaku

3DEXPERIENCE oblak je posebej zanimiv, kadar:

so simulacije občasne, vendar zelo zahtevne,
podjetje potrebuje več računske zmogljivosti samo za določene projekte,
lokalni HPC ni dovolj zmogljiv,
je treba izvajati več variant hkrati,
podjetje želi zmanjšati investicije v lastno HPC infrastrukturo,
je pomemben oddaljen dostop in sodelovanje.

Dassault Systèmes navaja, da lahko 3DEXPERIENCE Cloud pri ustreznih konfiguracijah bistveno skrajša čas izvajanja Abaqus simulacij; v njihovih primerih so bile objavljene tudi redukcije časa izračuna do 95 % v primerjavi z lokalnimi konfiguracijami. Takšnih številk ne smemo razumeti kot splošno zagotovilo, saj je rezultat odvisen od modela in uporabljene lokalne konfiguracije.

Kako izbrati pravo konfiguracijo?

Pri izbiri GPU konfiguracije ni priporočljivo gledati samo specifikacije, kot so število CUDA jeder ali teoretična TFLOPS zmogljivost.Za Abaqus je pomembna celotna konfiguracija:

CPU + GPU + RAM + GPU pomnilnik + komunikacija + solver + model

Zato je lahko nekoliko manj zmogljiv GPU v optimalno konfiguriranem sistemu hitrejši od močnejšega GPU-ja, ki ga omejuje CPU ali pomnilnik.

Pred investicijo je priporočljivo izvesti benchmark na dejanskem modelu podjetja.

Najboljši postopek je:

Izberemo reprezentativen Abaqus model.
Izmerimo čas izračuna na CPU.
Izvedemo izračun z enim GPU-jem.
Preizkusimo dva ali več GPU-jev, če solver to podpira.
Primerjamo skupni čas simulacije, ne samo čas solverja.
Preverimo porabo CPU in GPU.
Izračunamo razmerje med zmogljivostjo in stroškom.

Takšen pristop je bistveno bolj uporaben kot primerjava samo tehničnih specifikacij grafičnih kartic.

GPU ni samo vprašanje hitrosti

Prednost GPU-pospeševanja ni samo v tem, da posamezna simulacija traja manj časa. Če simulacija namesto štirih ur traja eno uro, lahko inženir v istem delovnem dnevu preveri bistveno več konstrukcijskih variant.

To omogoča:

več iteracij konstrukcije,
bolj podrobne mreže,
več variant materialov,
več različnih obremenitvenih primerov,
bolj temeljite mesh-convergence študije,
več optimizacijskih iteracij,
hitrejše sprejemanje konstrukcijskih odločitev.

Pri velikih projektih je zato lahko največja vrednost GPU pospeševanja prav večje število izvedenih simulacij v istem času.

Zaključek

GPU pospeševanje predstavlja pomemben razvoj v svetu numeričnih simulacij. Abaqus je podporo GPU-računanju skozi leta razširil z Direct Sparse Solverja na več različnih solverjev, novejše različice pa prinašajo tudi GPU pospeševanje eksplicitnih preračunov.

Za podjetja je še posebej zanimiva kombinacija Abaqus + 3DEXPERIENCE Cloud. Namesto da bi bila zmogljivost simulacije omejena z lokalno delovno postajo ali lastnim HPC sistemom, lahko uporabnik za zahtevne projekte uporabi zmogljive računske konfiguracije v oblaku, vključno z GPU pospeševanjem.

Vendar GPU ni čarobna rešitev za vse simulacije. Največje prednosti dobimo pri problemih, ki so primerni za vzporedno računanje in jih podprti solverji lahko učinkovito prenesejo na GPU. Zato je pri izbiri konfiguracije pomembnejši benchmark na realnem modelu podjetja kot pa sama specifikacija grafične kartice.

Povzetek

Najpomembnejše točke:

GPU lahko pomembno skrajša čas izvajanja Abaqus simulacij.
Pri ustreznih problemih so bile izmerjene večkratne pohitritve, vendar rezultat ni univerzalen.
Pri nekaterih benchmarkih je bila optimalna kombinacija manj CPU jeder in več GPU-jev.
Več GPU-jev ne pomeni nujno linearnega povečanja zmogljivosti.
Majhni in slabo paralelizabilni modeli lahko od GPU-ja pridobijo malo ali nič.
Ekspliciten preračun ima pri GPU-pospeševanju še vedno omejitve pri določenih naprednih funkcionalnostih.
3DEXPERIENCE omogoča dostop do zmogljivih oblačnih HPC konfiguracij brez potrebe po lastni infrastrukturi.
Aktualne različice 3DEXPERIENCE omogočajo tudi uporabo oblačnega preračuna z GPU-ji.
Najboljši način izbire konfiguracije je benchmark na dejanskih modelih podjetja.
Prava vrednost GPU pospeševanja ni samo krajši čas ene simulacije, temveč možnost izvedbe več simulacijskih iteracij v istem času.