行业资讯丨研究人员在超级计算机上训练流体动力学神经网络

流体动力学仿真对于从风力涡轮机设计到飞机优化的各种应用至关重要。然而，通过直接数值模拟来运行这些模拟在计算上是昂贵的。相反，许多研究人员转向大涡模拟（LES），该模型将给定流体的运动归纳以降低计算成本，但是这些归纳导致精度上的取舍。现在，研究人员正在高性能计算中心使用超级计算机，以帮助使更多研究人员可以更准确地进行仿真。

这项工作大部分都集中在所谓的“关闭条件”上：有效地将低分辨率模拟升级为高分辨率表示的一种方式。

在空气动力学和气体动力学研究所的研究员说：“用照片类比，闭合术语是粗颗粒图像和完整图像之间缺少的表达。”从某种意义上说，这是一个您要替换的术语。闭包告诉您完整图像中的此信息如何影响粗略图像。

利用监督学习，研究人员着手训练一个人工神经网络，以了解这些封闭术语。对于有监督的学习，这就像给算法提供1000张猫的图片和1000张狗的图片一样。最终，当算法看到足够多的示例时，它可以看到猫或狗的新照片，并能够分辨出差异。

但是首先，为了创建此训练过程所需的数据，他们在超级计算机上运行了一系列直接数值模拟。在发布时，第一个超算中心的5,632个基于AMD Epyc的节点可提供26个峰值petaflops，而另外一个超算中心的7,712个基于Intel Xeon的节点可提供7.4个峰值petaflops。第一个超算中心最近还获得了升级，为它提供了24个配备192个Nvidia A100 GPU的HPC系统。

该团队在两台超级计算机上运行了约40套计算，每次运行都使用了大约20,000个内核。在使用所得数据测试两种训练方法之后，团队确定了一种方法，该方法在选择正确的闭合项时可以达到99％的准确性。

研究人员说：“这是帮助我们用新的，数据驱动的方法来扩展传统HPC代码的重要一步，并填补了一定的空白。” “这不仅有助于加快我们的开发和研究过程，而且为我们提供了在超算中心上大规模部署它们的机会。”