Bilgisayar destekli mühendislik (CAE), modern ürün geliştirme sürecinde, daha güvenli uçak tasarımından yenilenebilir enerji sistemlerinin optimize edilmesine kadar birçok endüstride temel bir rol oynamaktadır. Bu bağlamda, mühendislik kararları için hesaplama hızı ve doğruluğu kritik önem taşımaktadır; bu nedenle hızlı prototipleme ve yenilik gereklidir. Ancak, mevcut CAE ekosistemine ve çözümlerine giriş yapmak oldukça zorlayıcı hale gelmiştir.
Geleneksel CAE uygulamaları, yüksek veri işleme hızı ve ölçeklenebilirlik gereksinimlerini karşılamak için genellikle C++ ve Fortran gibi düşük seviyeli diller kullanmaktadır. Öte yandan, Python, AI/ML geliştirme için yaygın bir dil haline gelmiştir. Ancak, Python’un yüksek seviyeli ve yorumlamalı yapısı nedeniyle, büyük ölçekli CFD uygulamalarında kullanımı tarihsel olarak sınırlı kalmıştır. Fizik tabanlı makine öğreniminin yükselişi, AI/ML ekosistemine sorunsuz bir şekilde entegre olan ve düşük seviyeli dillerin performansını koruyan Python tabanlı CAE çözümlerine olan talebi artırmıştır.
XLB ile CAE ve AI/ML Entegrasyonu
Autodesk Araştırma, CAE çözümleri ile AI/ML ekosistemi arasında köprü kurmak amacıyla Hızlandırılmış Lattice Boltzmann (XLB) kütüphanesini geliştirmiştir. Bu kütüphane, Lattice Boltzmann Yöntemi (LBM) temelli, yüksek performanslı, açık kaynaklı bir hesaplamalı akışkanlar dinamiği (CFD) çözücüsüdür ve Autodesk Araştırma ekibi tarafından devam eden araştırma ve deneysel çalışmalar için kullanılmaktadır. Python doğasını avantajı sayesinde geliştiricilere oldukça **erişilebilir** hale gelmiştir. Ayrıca, farklılaştırılabilir yapısı, modern AI-fizik modelleme çerçeveleri ile doğal entegrasyona olanak tanımaktadır. Bu durum, CAE ve bilimsel hesaplama alanında giderek büyüyen bir alt alan haline gelmektedir.
NVIDIA Warp ile XLB’nin Performans Artışı
NVIDIA Warp ile GH200 Grace Hopper Süper Çipi bir araya getirildiğinde, XLB, Autodesk Araştırma ekibi tarafından tanımlanan belirli donanım yapılandırmaları ve benchmark testlerine göre, GPU hızlandırmalı JAX arka planına kıyasla yaklaşık %8’lik bir hız kazanımı elde etmiştir. Ayrıca, Autodesk Araştırma, XLB’nin Warp arka yüz çözücüsünü yaklaşık 50 milyar hesaplama hücresine ölçeklendirmeyi başarmıştır.
NVIDIA Warp, Python’un erişilebilirliğini, CUDA’nın yüksek performanslı hesaplama (HPC) yetenekleriyle birleştiren açık kaynak bir Python çerçevesidir. Aynı zamanda, GH200 Süper Çipi, **yüksek kaliteli simülasyonları** en yüksek verimlilik ve ölçekle çalıştırmak için CAE alanındaki temel bir gereksinimi karşılamaktadır.
Python ile Performans ve Üretkenlik Arasındaki Denge
Pythonda uygulanan CFD kodları genellikle performans kaybı olarak görülse de, XLB, Warp’ın pratikte dönüştürücü CFD iş akışı performansı sunabileceğini kanıtlamıştır. Aşağıdaki Şekil 1’de, OpenCL tabanlı FluidX3D ile XLB’nin Warp arka plan çözücüsü arasındaki performans, 512³ kapaklı boşluk akışı simülasyonu için ölçülen milyon ızgara güncellemesi (MLUPS) cinsinden karşılaştırılmaktadır. Sonuçlar, Warp ile hızlandırılmış XLB Python kodunun, C++ ile uygulanan OpenCL tabanlı FluidX3D çözücüsüne göre performans açısından yaklaşık %95 benzerlik sağladığını göstermektedir.
Bunun yanı sıra, Warp, FluidX3D kodunun C++ ve OpenCL temellidir Uygulamalarının arka planıyla kıyaslandığında, yüksek okunabilirlik ve hızlı prototipleme yetenekleri sunmaktadır. Bu durum, araştırmacıların Python’un sayısal kütüphaneler, görselleştirme araçları ve makine öğrenimi çerçevelerinin ekosisteminden faydalanmalarına olanak tanırken, yüksek verimlilikte performansı korumalarına yardımcı olmaktadır.
XLB kütüphanesi, Autodesk Araştırma ve NVIDIA Warp tarafından oluşturulan, gelişim verimliliği ve ham hesaplama gücü arasındaki tarihi dengeyi ortadan kaldırmaktadır. Bu kütüphane, bir Python tabanlı çerçevenin, yüksek optimize edilmiş düzeydeki kodlarla eşit düzeyde performans sunabileceğini ve Python ekosisteminin sağladığı erişilebilirliği ve hızlı geliştirme döngüsünü koruduğunu kanıtlamaktadır.
Daha Fazla Bilgi ve Kaynaklar
CFD projeleri için Autodesk Araştırma XLB ve NVIDIA Warp ile çalışmaya başlamak için aşağıdaki bağlantılara göz atabilirsiniz:
