Le calcul accéléré par GPU est l'une des tendances les plus transformatrices de la modélisation et de la simulation actuelles. Tous les principaux éditeurs de logiciels d'ingénierie prennent en charge les architectures GPU en plus des processeurs traditionnels, et pour cause. 

Que vous exécutiez des analyses par éléments finis (FEA), de la dynamique des fluides numérique (CFD), des simulations de particules (DEM) ou des analyses électromagnétiques (EM), l'utilisation de GPU peut entraîner des gains de performance considérables et des économies de coûts. Les gains de performance dépendent de facteurs tels que les capacités du solveur, la complexité physique, la taille du modèle et la configuration matérielle, mais même des benchmarks prudents montrent systématiquement des améliorations spectaculaires. Dans de nombreux cas concrets, pour les solveurs accélérés par GPU, un simple changement de matériel permet des gains de performance de 5 à 20 fois supérieurs et réduit le coût par simulation.

Bien entendu, ces gains n’ont d’importance que si vous avez accès aux bons GPU et que votre logiciel peut en tirer parti.

Mais comment savoir si votre solveur est compatible et quels GPU sont adaptés aux charges de travail d'ingénierie assistée par ordinateur (IAO) ? Et si vous optez pour cette solution, à quels résultats pouvez-vous vous attendre ?

Faisons le décomposer.

Avec un GPU, à quelle vitesse est-il rapide ?

Les GPU ont acquis une solide réputation pour accélérer les performances des charges de travail gourmandes en calcul. De manière générale, les nouvelles versions logicielles et les nouvelles architectures GPU offrent des gains de performances progressifs et constants.

Toutefois, NVIDIA GTC2025 a marqué un tournant. Grâce aux progrès de l'IA, les ingénieurs bénéficient désormais de gains de performance considérables, partageant des réalisations et des benchmarks inimaginables il y a quelques années seulement.

Par exemple, Ansys a intégré La bibliothèque cuDSS de NVIDIA au sein de son HFSS (High-Frequency Structure Simulator) solveur électromagnétique, exploitant l'accélération GPU pour obtenir une amélioration de la vitesse jusqu'à 11x.

Vous vous demandez encore à quelle vitesse on peut atteindre la vitesse ? Des tâches qui prenaient autrefois des heures, voire des jours, s'exécutent désormais en quelques minutes. C'est pourquoi les principaux fournisseurs de logiciels d'IAO, notamment Ansys, Altair, Cadence, Siemens et Synopsys s'associent à NVIDIA pour redéfinir les attentes en matière de performances et redéfinir ce qui est possible.

De quoi Accéléré par GPU Vraiment méchant?

Lorsqu'un solveur est décrit comme « accéléré par GPU », cela signifie que le logiciel a été développé pour décharger les tâches de visualisation ou de calcul sur un GPU, plutôt que de s'appuyer uniquement sur le CPU. 

L'accélération se divise généralement en deux catégories principales : l'accélération graphique, qui améliore le rendu visuel et les performances d'affichage, et l'accélération du solveur, qui accélère les charges de travail de calcul complexes telles que les simulations, l'apprentissage automatique ou l'analyse de données. 

Visualisation : Accélération graphique

Dans le domaine du calcul haute performance, Postes de travail cloud élastiques (ECW) qui utilisent Desktop Cloud Visualization (NICE DCV) sont une solution largement adoptée pour une visualisation à distance sécurisée et hautes performances.

Les ECW offrent un accès à faible latence aux bureaux virtuels compatibles GPU, permettant aux ingénieurs et aux chercheurs d'interagir avec des applications gourmandes en graphiques telles qu'Abaqus/CAE, ANSYS Workbench ou Siemens STAR-CCM+ directement depuis le cloud.

La visualisation à distance, ou les machines virtuelles, sont idéales pour les tâches de pré- et post-traitement, où le GPU de votre ordinateur portable (comme un NVIDIA Quadro) peut accélérer des opérations telles que la rotation du modèle, le zoom et la lecture d'animation, offrant une expérience utilisateur fluide et réactive, même à partir d'une machine locale légère.

Modélisation et simulation : accélération du solveur

Certains solveurs d'ingénierie et scientifiques sont conçus pour décharger les calculs numériques de base, tels que l'assemblage de matrices, la factorisation de matrices clairsemées et les solveurs linéaires et itératifs, sur les GPU pour une exécution plus rapide. 

Les applications courantes de l'accélération GPU en CAE incluent :

• Factorisation de matrices creuses
• Solveurs de gradient conjugué
• Étapes de dynamique explicite
• Méthodes particulaires et lagrangiennes
• Maillage CFD haute fidélité et modélisation de la turbulence

Chaque année, les fournisseurs de logiciels étendent la prise en charge des GPU pour couvrir davantage d’applications de physique et de simulation. Ansys Fluent 2025 R1 accélère désormais les modèles de combustion, de particules et de rayonnement sur les GPU, tandis que Simcenter STAR-CCM+ 2502 améliore les performances des simulations thermiques et de batterie avec des solveurs natifs GPU.

N’importe quel GPU conviendra-t-il au Cloud HPC ?

La réponse courte est non.

Certains GPU sont destinés au marché grand public ou aux jeux vidéo, optimisés pour les applications graphiques et les charges de travail en simple précision. D'autres, notamment dans le domaine du calcul haute performance (HPC), sont conçus pour l'inférence IA et les grands modèles de langage (LLM), privilégiant les opérations tensorielles aux mathématiques en double précision.

 3 GPU indispensables pour l'IAO :

• Double précision (FP64):Des solveurs précis et stables dans CAE nécessitent la prise en charge de FP64, en particulier pour les simulations à grande échelle où la précision numérique est essentielle.
• Bande passante et capacité de mémoire élevéesLes modèles volumineux et les maillages complexes nécessitent un transfert de données rapide et une mémoire GPU importante. Pour les charges de travail d'IAO importantes, visez une bande passante supérieure à 600 Go/s et au moins 24 Go de mémoire.
• Prise en charge CUDA:La plupart des logiciels CAE s'appuient sur CUDA de NVIDIA pour l'accélération GPU, ce qui le rend essentiel pour la compatibilité avec les principaux solveurs et le code GPU personnalisé.

Les solveurs CAE accélérés par GPU s'appuient sur des bibliothèques de bas niveau optimisées par GPU comme celles de NVIDIA CUBLAS, CUSPARSE et cuSolverConçues pour exploiter l'architecture massivement parallèle des GPU modernes, ces bibliothèques sont finement réglées, ce qui les rend bien plus efficaces que les bibliothèques traditionnelles basées sur le processeur comme BLAS pour les calculs numériques à grande échelle.

Ces bibliothèques nécessitent une précision de 64 bits et une mémoire importante pour gérer efficacement les charges de travail mathématiques lourdes et de haute précision. C'est pourquoi les charges de travail d'IAO s'exécutent généralement sur des GPU de classe calcul tels que les séries NVIDIA V100, A100, H100 et RTX, conçus pour un parallélisme élevé et des performances en virgule flottante.

Pour comprendre les performances du GPU pour l'IAO, Experts HPC en redimensionnement GPU tester et entretenir régulièrement un indice de maturité du matériel qui suit la disponibilité, les performances et les coûts multicloud. Les experts en redimensionnement évaluent et valident les nouvelles architectures avant leur diffusion à grande échelle, garantissant ainsi qu'elles ne types de noyaux prêts pour la production sont recommandés.

Quels solveurs CAE sont compatibles GPU ?

Le moyen le plus simple de vérifier si votre solveur est compatible GPU est de consulter les notes de version officielles ou la documentation de votre logiciel.

La prise en charge du GPU se développe rapidement. Ci-dessous, nous avons compilé une liste non exhaustive des principaux solveurs d'ingénierie prenant en charge le GPU. 

• ANSYS Mécanique
• ANSYS Courant
• ANSYS Rocheux
• ANSYS HFSS
• Dassault Systèmes Abaqus
• Dassault Systèmes CST
• Siemens STAR-CCM+
• Fidélité de la cadence
• Spectre de cadence
• Hexagone (MSC) Marc
• Hexagone (MSC) Nastran
• Hexagon (MSC) Actran 

Pour les exécutions par lots, les paramètres et les détails de version liés au GPU sont généralement disponibles dans les options de ligne de commande ou les journaux. Pour plus d'informations sur des versions spécifiques ou pour obtenir de l'aide sur leur exécution avec les options GPU, n'hésitez pas à contacter notre service client. Experts HPC en redimensionnement GPU.

L'intérêt commercial des GPU : pourquoi c'est important

L'accélération GPU ne se limite pas à la vitesse. Il s'agit de résoudre des problèmes auparavant inaccessibles.

NASA Par exemple, a été un pionnier de l'accélération native GPU. Disponibles sur Rescale, leurs codes CFD permettent de modéliser simultanément l'ensemble des phénomènes : aérodynamique, transfert thermique, combustion, acoustique et contraintes structurelles, autant de phénomènes multiphysiques étroitement couplés. Il s'agit de CFD hypersoniques pour véhicules complets ou de boucliers thermiques de rentrée atmosphérique composés de milliards de cellules.

Repensez à la dernière fois où vous avez abandonné l'exécution d'une simulation, que ce soit en raison de contraintes de temps, de goulots d'étranglement de mémoire ou de coûts de calcul. La CFD haute fidélité (RANS/LES), les simulations de collisions à grande échelle, la multiphysique avancée et les charges de travail DEM poussent les processeurs à leurs limites.

Dans de nombreux cas, l'accélération GPU peut produire des résultats en quelques heures au lieu de quelques jours. La demande en GPU haut de gamme ne cessera de croître ; n'attendez donc pas. Une planification stratégique de la charge de travail et une allocation des ressources sont essentielles pour garantir à votre équipe d'ingénierie la disponibilité et la capacité adéquates.

Lorsque vous êtes prêt à passer des CPU aux GPU, les experts de Rescale peuvent vous aider profilez vos charges de travail et identifier les configurations GPU les plus efficaces qui optimisent à la fois le temps d'exécution et le coût.