GPU-beschleunigtes Computing ist einer der umwälzendsten Trends in der heutigen Modellierung und Simulation. Alle großen Anbieter von Engineering-Software unterstützen neben herkömmlichen CPUs auch GPU-Architekturen – und das aus gutem Grund. 

Ob Finite-Elemente-Analyse (FEA), numerische Strömungsmechanik (CFD), Partikelsimulation (DEM) oder elektromagnetische Analyse (EM): Der Einsatz von GPUs kann zu deutlichen Geschwindigkeitssteigerungen und Kosteneinsparungen führen. Leistungssteigerungen hängen von Faktoren wie Solver-Fähigkeiten, physikalischer Komplexität, Modellgröße und Hardwarekonfiguration ab, aber selbst konservative Benchmarks zeigen durchweg deutliche Verbesserungen. In vielen Fällen führt ein einfacher Hardwarewechsel bei GPU-beschleunigten Solvern zu einer 5- bis 20-fachen Geschwindigkeitssteigerung und senkt die Kosten pro Simulation.

Natürlich sind diese Vorteile nur dann von Bedeutung, wenn Sie Zugriff auf die richtigen GPUs haben – und Ihre Software diese nutzen kann.

Aber woher wissen Sie, ob Ihr Solver kompatibel ist und welche GPUs für CAE-Workloads (Computer-Aided Engineering) geeignet sind? Und welche Ergebnisse können Sie erwarten, wenn Sie umsteigen?

Lassen Sie es uns aufschlüsseln.

Wie schnell ist schnell bei einer GPU?

GPUs haben sich einen hervorragenden Ruf als Leistungsbeschleuniger bei rechenintensiven Workloads erworben. Neue Softwareversionen und neue GPU-Architekturen sorgen in der Regel kontinuierlich für inkrementelle Leistungssteigerungen.

Aber, NVIDIA AGB 2025 markierte einen Wendepunkt. Dank der Fortschritte in der KI erzielen Ingenieure heute Leistungssteigerungen um ein Vielfaches und erreichen Erfolge und Benchmarks, die noch vor wenigen Jahren unvorstellbar gewesen wären.

Beispielsweise hat Ansys integriert NVIDIAs cuDSS-Bibliothek innerhalb seines HFSS (High-Frequency Structure Simulator) Elektromagnetik-Solver, der die GPU-Beschleunigung nutzt, um eine bis zu 11-fache Geschwindigkeitsverbesserung zu erreichen.

Fragen Sie sich immer noch, wie schnell schnell ist? Aufgaben, die früher Stunden oder sogar Tage dauerten, werden heute in Minuten erledigt. Deshalb nutzen führende Softwareanbieter im CAE-Bereich, darunter Ansys, Altair, Cadence, Siemens und Synopsys arbeiten mit NVIDIA zusammen, um die Leistungserwartungen neu zu definieren und das Mögliche neu zu definieren.

Was macht GPU-beschleunigt Wirklich gemein?

Wenn ein Solver als „GPU-beschleunigt“ beschrieben wird, bedeutet dies, dass die Software entwickelt wurde, um Visualisierungs- oder Berechnungsaufgaben auf eine GPU auszulagern, anstatt sich ausschließlich auf die CPU zu verlassen. 

Die Beschleunigung lässt sich im Allgemeinen in zwei Hauptkategorien einteilen: Grafikbeschleunigung, die die visuelle Darstellung und Anzeigeleistung verbessert, und Solverbeschleunigung, die komplexe Rechenlasten wie Simulationen, maschinelles Lernen oder Datenanalyse beschleunigt. 

Visualisierung: Grafikbeschleunigung

Im Bereich des Hochleistungsrechnens Elastic Cloud Workstations (ECWs) die Desktop Cloud Visualization verwenden (SCHÖNER DCV) sind eine weit verbreitete Lösung für eine sichere und leistungsstarke Remote-Visualisierung.

ECWs bieten latenzarmen Zugriff auf GPU-fähige virtuelle Desktops und ermöglichen Ingenieuren und Forschern die Interaktion mit grafikintensiven Anwendungen wie Abaqus/CAE, ANSYS Workbench oder Siemens STAR-CCM+ direkt aus der Cloud.

Remote-Visualisierung oder virtuelle Maschinen eignen sich ideal für Vor- und Nachbearbeitungsaufgaben, bei denen die GPU Ihres Laptops (z. B. eine NVIDIA Quadro) Vorgänge wie Modellrotation, Zoomen und Animationswiedergabe beschleunigen kann und so selbst von einer leichten lokalen Maschine aus ein reibungsloses und reaktionsschnelles Benutzererlebnis bietet.

Modellierung und Simulation: Solver-Beschleunigung

Einige technische und wissenschaftliche Solver sind darauf ausgelegt, zentrale numerische Berechnungen – wie etwa Matrixassemblierung, Faktorisierung dünner Matrizen sowie lineare und iterative Solver – auf GPUs auszulagern, um eine schnellere Ausführung zu ermöglichen. 

Zu den gängigen Anwendungen der GPU-Beschleunigung in CAE gehören:

• Faktorisierung dünner Matrizen
• Konjugierte Gradientenlöser
• Explizite Dynamikschritte
• Partikel- und Lagrange-Methoden
• Hochpräzise CFD-Vernetzung und Turbulenzmodellierung

Jedes Jahr erweitern Softwareanbieter die GPU-Unterstützung, um mehr Physik- und Simulationsanwendungen abzudecken. Ansys Fluent 2025 R1 beschleunigt jetzt Verbrennungs-, Partikel- und Strahlungsmodelle auf GPUs, während Simcenter STAR-CCM+ 2502 steigert die Leistung bei Wärme- und Batteriesimulationen mit GPU-nativen Solvern.

Ist jede GPU für Cloud HPC geeignet?

Die kurze Antwort ist nein.

Einige GPUs sind für den Verbraucher- oder Gaming-Markt gedacht und für Grafik- und Single-Precision-Workloads optimiert. Andere, insbesondere im HPC-Bereich, sind für KI-Inferenz und große Sprachmodelle (LLMs) konzipiert und priorisieren Tensoroperationen gegenüber Double-Precision-Mathematik.

 3 GPU-Must-Haves für CAE:

• Doppelte Genauigkeit (FP64): Genaue und stabile Solver in CAE erfordern FP64-Unterstützung, insbesondere für groß angelegte Simulationen, bei denen numerische Präzision entscheidend ist.
• Hohe Speicherbandbreite und -kapazität: Große Modelle und komplexe Netze erfordern eine schnelle Datenübertragung und viel GPU-Speicher. Für anspruchsvolle CAE-Workloads sollten Sie eine Bandbreite von über 600 GB/s und mindestens 24 GB Speicher anstreben.
• CUDA-Unterstützung: Die meisten CAE-Programme basieren auf NVIDIAs CUDA für die GPU-Beschleunigung, was es für die Kompatibilität mit führenden Solvern und benutzerdefiniertem GPU-Code unerlässlich macht.

GPU-beschleunigte CAE-Solver basieren auf GPU-optimierten Low-Level-Bibliotheken wie NVIDIAs cuBLAS, cuSPARSE und cuSolver. Diese Bibliotheken wurden entwickelt, um die massiv parallele Architektur moderner GPUs auszunutzen. Sie sind fein abgestimmt und daher weitaus effizienter als herkömmliche CPU-basierte Bibliotheken wie die BLAS für numerische Berechnungen im großen Maßstab.

Diese Bibliotheken benötigen 64-Bit-Präzision und viel Speicher, um die hochpräzisen, anspruchsvollen mathematischen Workloads effizient zu verarbeiten. Aus diesem Grund werden CAE-Workloads typischerweise auf GPUs der Compute-Klasse wie der NVIDIA V100-, A100-, H100- und RTX-Serie ausgeführt, die für hohe Parallelität und Gleitkommaleistung ausgelegt sind.

Um die GPU-Leistung für CAE zu verstehen, GPU-HPC-Experten neu skalieren regelmäßig testen und warten Reifegradindex für Hardware das die Verfügbarkeit, Leistung und Kosten mehrerer Clouds verfolgt. Rescale-Experten vergleichen und validieren neue Architekturen, bevor sie allgemein verfügbar sind, und stellen sicher, dass nur produktionsreife Kerntypen werden empfohlen.

Welche CAE-Solver sind GPU-fähig?

Ob Ihr Solver GPU-fähig ist, können Sie am einfachsten überprüfen, indem Sie die offiziellen Versionshinweise oder die Dokumentation Ihrer Software konsultieren.

Die GPU-Unterstützung wächst schnell. Nachfolgend haben wir eine nicht erschöpfende Liste führender technischer Solver mit GPU-Unterstützung zusammengestellt. 

• ANSYS Mechanical
• ANSYS fließend
• ANSYS Rocky
• ANSYS HFSS
• Dassault Systèmes Abaqus
• Dassault Systèmes CST
• Siemens STAR-CCM+
• Trittfrequenztreue
• Cadence Spectre
• Hexagon (MSC) Marc
• Sechseck (MSC) Nastran
• Hexagon (MSC) Actran 

Für Batchläufe sind GPU-bezogene Einstellungen und Versionsdetails in der Regel in den Befehlszeilenoptionen oder Protokollen verfügbar. Für Details zu bestimmten Versionen oder Unterstützung bei der Ausführung mit GPU-Flags wenden Sie sich bitte an unseren GPU-HPC-Experten neu skalieren.

Der Business Case für GPUs und warum er wichtig ist

Bei der GPU-Beschleunigung geht es nicht nur um Geschwindigkeit. Es geht darum, Probleme zu lösen, die zuvor unerreichbar waren.

NASA war beispielsweise ein Pionier der GPU-nativen Beschleunigung. Die auf Rescale verfügbaren CFD-Codes ermöglichen die gleichzeitige Modellierung von Aerodynamik, Wärmeübertragung, Verbrennung, Akustik und Strukturspannung – alles eng gekoppelte Multiphysik. Wir sprechen hier von der CFD-Modellierung von Hyperschallfahrzeugen oder von Hitzeschilden für den Wiedereintritt mit Milliarden von Zellen.

Denken Sie an das letzte Mal zurück, als Sie eine Simulation aufgrund von Zeitbeschränkungen, Speicherengpässen oder Rechenkostenbeschränkungen aufgegeben haben. Hochpräzise CFD (RANS/LES), groß angelegte Crash-Simulationen, fortgeschrittene Multiphysik und DEM-Workloads bringen die CPU-Hardware an ihre Grenzen.

In vielen dieser Fälle kann die GPU-Beschleunigung Ergebnisse innerhalb von Stunden statt Tagen liefern. Die Nachfrage nach High-End-GPUs wird weiter steigen – warten Sie also nicht. Eine strategische Arbeitslastplanung und Ressourcenzuweisung ist entscheidend, um sicherzustellen, dass Ihr Entwicklungsteam über die richtige Verfügbarkeit und Kapazität verfügt.

Wenn Sie bereit sind, von CPUs auf GPUs umzusteigen, können Ihnen die Experten von Rescale helfen Profilieren Sie Ihre Arbeitslasten und identifizieren Sie die effizientesten GPU-Konfigurationen, die sowohl Laufzeit als auch Kosten optimieren.