GPU（圖形處理單元）最初是為圖形渲染任務設計的專用處理器，其核心功能是快速生成高質量的圖像和視頻內容。憑借數以萬計的計算核心，GPU能夠同時調用大量線程進行運算，展現出強大的并行處理能力。隨著技術的不斷進步，尤其是NVIDIA Ampere、Hopper等現代架構的推出，GPU的并行處理能力得到顯著提升，能夠輕松應對超大規模計算挑戰。

GPU顯卡

在人工智能（AI）領域，隨著技術的飛速發展，從基礎的卷積神經網絡和多層感知器，到如今參數動輒達到數以億計的大語言模型，模型的訓練和推理對計算資源提出了極高的要求。例如，當前最火熱的DeepSeek模型在訓練階段就使用了數千塊高端GPU顯卡。而在部署DeepSeek模型時，使用的參數版本越大，對顯卡的內存和計算能力要求就越高。AI的迅猛發展，得益于GPU技術的不斷進步，這在傳統的CPU時代是難以想象的。可以說，GPU已成為AI發展的核心驅動力。

GPU的高并行計算能力不僅推動了AI領域的繁榮，更在CAE（計算機輔助工程）行業引發了深遠變革。

CAE在現代制造業中扮演著關鍵角色，廣泛應用于汽車、電子、航空航天等行業。CAE軟件通過模擬結構力學、流體動力學、電磁學等領域的物理現象，對產品設計進行優化，從而減少物理實驗的需求，有效加速研發進程并降低成本。

傳統的CAE仿真主要依賴于CPU計算，在處理大規模復雜模型時往往會遭遇性能瓶頸，導致仿真時間過長，難以滿足快速迭代設計的需求。隨著產品設計復雜性的不斷增加，企業對CAE仿真的計算效率提出了更高要求。

“軟件跟著硬件走。”CAE通過在將模型離散成網格進行仿真計算，網格越密集，仿真結果越可靠，這意味著CAE天然適合進行大規模并行計算任務，這與GPU強大的并行計算能力高度契合。在軟件層面，NVIDIA的CUDA生態通過提供完整的編程接口和工具鏈，讓開發者可以方便地將計算任務分配到GPU上執行，實現計算資源從CPU到GPU的轉移，顯著提升性能。

近年來，眾多CAE供應商都開始利用GPU加速。例如：

1. Ansys在2021年發布了GPU版本的Fluent求解器，且在Icepak、Structural Mechanics和HFSS中采用了GPU加速線性求解功能。
2. 海克斯康的MSC Apex Generative Design借助NVIDIA的CUDA框架，實現了設計、網格化和分析功能的融合。
3. 西門子2022年發布了首個GPU版本的Simcenter STAR-CCM+，專注于車輛外部空氣動力學應用。
4. Altair在2022年前后也發布了全GPU版本的LBM求解器。
5. 達索系統（Dassault Systèmes）在電磁仿真中采用了GPU版本的時域有限差分方法。
6. Dyna和Nastran也采用了GPU技術，加速線性方程組的求解。
7. 2024年，COMSOL Multiphysics發布了GPU版本的聲學仿真求解器。

截至目前，已有來自10多個ISV的120多個CAE應用通過GPU實現了加速。隨著GPU自身的持續升級和優化，CAE仿真獲得了更高的性能和更好的擴展性。

當前，云道智造也在積極探索GPU加速技術，通過引入更高的算力提升仿真效率，助力客戶降低硬件成本，縮短研發周期，加速產品上市進程，增強市場競爭力。

在今年即將發布的伏圖（Simdroid）6.0中，我們將正式推出GPU版本的求解器。該版本采用純原生GPU方案，摒棄了傳統的異構加速方案，所有內存分配和計算均在GPU上進行，避免了CPU和GPU之間數據交換造成的性能損失，從而充分發揮GPU的計算能力，加速仿真求解，顯著提升軟件性能，降低硬件成本與功耗。此外，該原生GPU求解器采用雙精度計算，確保與傳統CPU求解器相同的計算精度，為用戶帶來高效且可靠的仿真體驗。

例如，在伏圖-電子散熱模塊（Simdroid-EC）中，針對強迫對流散熱、液冷散熱等場景，與傳統CPU計算（Intel i7，8核并行）相比，使用單塊NVIDIA A4000顯卡（其價格和Intel i7相當），計算時長可顯著縮短一半以上，極大提升了仿真效率。對于商業用戶而言，若采用更新一代的顯卡，計算時間將進一步縮短。與此同時，我們的工程師仍在持續進行深度優化，預期后續性能有望實現數倍提升，為電子散熱仿真帶來革命性的改變。

 

強迫對流散熱、液冷散熱案例結果圖

Intel i7 8核并行與NVIDIA A4000單顯卡案例運行時間及加速比結果對比

 

申請試用Simdroid-EC

更多創新功能，敬請期待伏圖6.0！