GPU引领CAE仿真算力革命
GPU（图形处理单元）最初是为图形渲染任务设计的专用处理器，其核心功能是快速生成高质量的图像和视频内容。凭借数以万计的计算核心，GPU能够同时调用大量线程进行运算，展现出强大的并行处理能力。随着技术的不断进步，尤其是NVIDIA Ampere、Hopper等现代架构的推出，GPU的并行处理能力得到显著提升，能够轻松应对超大规模计算挑战。
GPU显卡
在人工智能（AI）领域，随着技术的飞速发展，从基础的卷积神经网络和多层感知器，到如今参数动辄达到数以亿计的大语言模型，模型的训练和推理对计算资源提出了极高的要求。例如，当前最火热的DeepSeek模型在训练阶段就使用了数千块高端GPU显卡。而在部署DeepSeek模型时，使用的参数版本越大，对显卡的内存和计算能力要求就越高。AI的迅猛发展，得益于GPU技术的不断进步，这在传统的CPU时代是难以想象的。可以说，GPU已成为AI发展的核心驱动力。
GPU的高并行计算能力不仅推动了AI领域的繁荣，更在CAE（计算机辅助工程）行业引发了深远变革。
CAE在现代制造业中扮演着关键角色，广泛应用于汽车、电子、航空航天等行业。CAE软件通过模拟结构力学、流体动力学、电磁学等领域的物理现象，对产品设计进行优化，从而减少物理实验的需求，有效加速研发进程并降低成本。
传统的CAE仿真 主要依赖于CPU计算，在处理大规模复杂模型时往往会遭遇性能瓶颈，导致仿真时间过长，难以满足快速迭代设计的需求。随着产品设计复杂性的不断增加，企业对CAE仿真的计算效率提出了更高要求。
“软件跟着硬件走。”CAE通过在将模型离散成网格进行仿真计算，网格越密集，仿真结果越可靠，这意味着CAE天然适合进行大规模并行计算任务，这与GPU强大的并行计算能力高度契合。在软件层面，NVIDIA的CUDA生态通过提供完整的编程接口和工具链，让开发者可以方便地将计算任务分配到GPU上执行，实现计算资源从CPU到GPU的转移，显著提升性能。
近年来，众多CAE供应商都开始利用GPU加速。例如：
Ansys在2021年发布了GPU版本的Fluent求解器，且在Icepak、Structural Mechanics和HFSS中采用了GPU加速线性求解功能。
海克斯康的MSC Apex Generative Design借助NVIDIA的CUDA框架，实现了设计、网格化和分析功能的融合。
西门子2022年发布了首个GPU版本的Simcenter STAR-CCM+，专注于车辆外部空气动力学应用。
Altair在2022年前后也发布了全GPU版本的LBM求解器。
达索系统（Dassault Systèmes）在电磁仿真中采用了GPU版本的时域有限差分方法。
Dyna和Nastran也采用了GPU技术，加速线性方程组的求解。
2024年，COMSOL Multiphysics发布了GPU版本的声学仿真求解器。
截至目前，已有来自10多个ISV的120多个CAE应用通过GPU实现了加速。随着GPU自身的持续升级和优化，CAE仿真获得了更高的性能和更好的扩展性。
当前，云道智造也在积极探索GPU加速技术，通过引入更高的算力提升仿真效率，助力客户降低硬件成本，缩短研发周期，加速产品上市进程，增强市场竞争力。
在今年即将发布的伏图（Simdroid）6.0中，我们将正式推出GPU版本的求解器。该版本采用纯原生GPU方案，摒弃了传统的异构加速方案，所有内存分配和计算均在GPU上进行，避免了CPU和GPU之间数据交换造成的性能损失，从而充分发挥GPU的计算能力，加速仿真求解，显著提升软件性能，降低硬件成本与功耗。此外，该原生GPU求解器采用双精度计算，确保与传统CPU求解器相同的计算精度，为用户带来高效且可靠的仿真体验。
例如，在伏图-电子散热模块（Simdroid-EC）中，针对强迫对流散热、液冷散热等场景，与传统CPU计算（Intel i7，8核并行）相比，使用单块NVIDIA A4000显卡（其价格和Intel i7相当），计算时长可显著缩短一半以上，极大提升了仿真效率。对于商业用户而言，若采用更新一代的显卡，计算时间将进一步缩短。与此同时，我们的工程师仍在持续进行深度优化，预期后续性能有望实现数倍提升，为电子散热仿真带来革命性的改变。
强迫对流散热、液冷散热案例结果图
Intel i7 8核并行与NVIDIA A4000单显卡案例运行时间及加速比结果对比
可登陆Simapps网站，申请试用仿真工具Simdroid-EC。
