计算机工程与科学

作者：毛润泽, 吴子恒, 徐嘉阳, 章严, 陈帜,

单位：1.北京大学工学院，北京 100871；2.北京科学智能研究院，北京 100083；3.中物院高性能数值模拟软件中心，北京 100088

关键词：计算流体力学,反应流动,深度神经网络,GPU,偏微分方程,

基金：国家自然科学基金(52276096,92270203,523B2062);光合基金C (202302032372)

近年来，深度学习被广泛认为是加速反应流模拟的一种可靠方法。近期开发了一个名为DeepFlame的开源平台，可以在模拟反应流过程中实现对机器学习库和算法的支持。基于DeepFlame，成功地采用深度神经网络来计算化学反应源项，并对DeepFlame平台进行了高性能优化。首先，为了充分发挥深度神经网络（DNN）的加速潜力，研究实现了DeepFlame对DNN多卡并行推理的支持，开发了节点内分割算法和主从通信结构，并完成了DeepFlame向图形处理单元（GPU）和深度计算单元（DCU）的移植。其次，还基于Nvidia AmgX库在GPU上实现了偏微分方程求解和离散稀疏矩阵构造。最后，对CPU-GPU/DCU异构架构上的新版本DeepFlame的计算性能进行了评估。结果表明，仅利用单个GPU卡，在模拟具有反应性的泰勒格林涡（TGV）时可以实现的最大加速比达到15。

来源：2024年第11期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2024年第11期