仿真干货｜算例核心数越多反而越慢？来了解下“最佳并行规模”！
高性能计算的瓶颈
在实际的工作和科研中，许多人会遭遇一个令人费解的困境：
明明想要通过增加核心数来提高计算效率，但是随着并行计算核心数的不断增加，原本期待的加速效果并未如约而至，计算效率的曲线非但没什么变化，甚至开始不断下降。
而影响计算效率的因素除了“算法的优化”，像“数据相关性”、“负载平衡”等也涉及其中，下面我们就来讲讲各个因素为何会影响算例的“最佳并行规模”。
高性能计算的瓶颈
在实际的工作和科研中，许多人会遭遇一个令人费解的困境：
明明想要通过增加核心数来提高计算效率，但是随着并行计算核心数的不断增加，原本期待的加速效果并未如约而至，计算效率的曲线非但没什么变化，甚至开始不断下降。
而影响计算效率的因素除了“算法的优化”，像“数据相关性”、“负载平衡”等也涉及其中，下面我们就来讲讲各个因素为何会影响算例的“最佳并行规模”。
01 影响因素分析
1. 数据通信和同步
在并行计算中，不同处理单元之间需要进行数据通信和同步动作，而过多的核心数所产生的通信时间也是相当可观的，从而会影响到作业本身的计算效率和计算平台的整体性能，但是通信密集型任务需要更多的核心，最终的计算效率反而会下降，这个也需要在作业的配置中考虑到。
2. 负载平衡
在并行计算中，各个节点的负载分配可能不均衡，导致部分处理单元负载过重，而部分处理单元空闲，从而影响到计算效率。
3. 数据相关性
并行计算中的数据相关性可能导致处理单元之间的依赖关系，限制了并行度的提高，从而影响性能。
4. 潜在的竞争和瓶颈
在并行计算中，可能存在共享资源的竞争和瓶颈，如内存带宽、I/O带宽等，这些因素可能限制并行计算的性能。
5. 算法设计和并行化的复杂性
一些算法并不容易并行化，或者其并行化的复杂性较高，这可能导致并行计算的效率不高。
02 最佳并行规模分析
——以“汽车碰撞分析”为例
车辆模型包括数百个部件，如车身、座椅、安全带、气囊等。碰撞分析的模型需要考虑所有这些部件的相互作用。
图片来源：网络
在汽车碰撞分析中，采用并行计算可以显著缩短求解时间，但同时也需要注意优化计算性能。根据计算节点和核心数量合理分配任务，避免资源浪费，并通过调整网格划分，确保计算负载在所有节点间平衡分配，减少计算瓶颈。
配置更多算力核心后，计算效率下降原因分析如下：
1. 负载不均衡
当并行规模过大时，各个计算节点之间的负载分配可能变得不均衡，部分节点计算任务过重，而其他节点则处于空闲状态，导致整体计算效率下降。
2. 通信开销增加
过多的并行核心会导致通信频率和复杂度增加，通信开销增大，从而拖慢计算速度。
3. 内存管理问题
在大规模并行计算中，内存分配和管理变得更加复杂，可能出现内存不足或内存访问冲突等问题，影响计算效率。
在实际测试中，使用不同规模的计算资源对同一组LS-DYNA任务进行运算，结果如下：
本地计算资源：
使用32、48、64核计算资源，耗时分别为821、566、439分钟。
注：本地资源有限，无法提供更多资源测试，共进行了3次作业提交，总计耗时1826分钟。
云端计算优化型实例：
使用32、48、64、128、256核计算资源，耗时分别为662、458、375、299、321分钟。
注：云平台资源充足，可同时进行多个作业的提交和计算，即耗时662分钟得出所有结果（测试效率提升约64%），得出该作业最佳并行规模为128核。
03 计算效率瓶颈解决方案
方案一：多次作业并行运算，找出合适运算规模
不同的大规模作业需要不同的优化方式，其中包括优化数据读写策略、优化网格划分、找到合适的最佳并行规模。
方案二：在线云平台解决方案
SimForge高性能仿真云平台可以在线提供以下资源：
① 在线图形界面
② 海量软件提供计算支持
③ 多个大算力作业同步计算
④ 数据实时同步，快速展示传输
