4.5 逆向仿真工況搭建與運算 采用反向仿真模式（光線從傳感器向光源反向追蹤），搭建三組獨立仿真工況，支持GPU加速運算大幅縮短仿真耗時： Inverse_PGU工況：僅包含投影光源與全結構，仿真AR HUD自身成像光路； Inverse_Env工況：搭載環境路況光源，仿真外部環境光與AR HUD的耦合成像效果； Inverse_Sun工況：配置臨界角度太陽光源，仿真日光雜散光

），各設計點完全獨立，天然適合多核/多機并行 階段二：代理模型訓練——GPU秀場 DNN訓練涉及前向傳播、損失計算（MSE）、反向傳播（Adam/L-BFGS）、權重更新 網絡結構可自定義：如MEMS案例中的 [8,64,64,32,16,6]（8輸入→64→64→32→16→6輸出） 計算特征：矩陣運算密集，NVIDIA CUDA/cuDNN可提速10×~100×；顯存需求與批次大小

它會詳細說明如何通過MPI對FDTD計算體進行分區，以及每秒的求解速率（以兆節點/秒為單位），即每秒執行多少百萬次浮點運算。您還可以找到各個進程所花費時間的明細以及調試信息。 1.通過增加進程數來增加核心數 提升性能較簡單直接的方法是增加進程數，同時保持線程數固定為1。默認情況下，FDTD會使用所有可用核心。

注：云平臺資源充足，可同時進行多個作業的提交和計算，即耗時662分鐘得出所有結果（測試效率提升約64%），得出該作業最佳并行規模為128核。 03 計算效率瓶頸解決方案 方案一：多次作業并行運算，找出合適運算規模 不同的大規模作業需要不同的優化方式，其中包括優化數據讀寫策略、優化網格劃分、找到合適的最佳并行規模。

課程同時講解OpenFOAM并行計算高效運行方法，包括計算域分解方法，實現多處理器并行運算，提升大規模反應流仿真效率。 完成課程學習后，學習者能夠獨立完成OpenFOAM燃燒仿真的搭建、運行與后處理分析，理解反應流求解器的核心模型，解讀溫度場、組分分布、反應區域等仿真結果，該知識可應用于能源系統、燃氣輪機、火災模擬、推進系統、化工過程仿真等領域。

Ansys Speos：2026 R1新功能主要在效率，傳感器/自動駕駛，結果體驗，光學設計等方面有提升，其中包括從現有的模擬中獲取光源/傳感器/幾何體，光線追跡動畫，光導在混合模式下支持控制最大棱鏡高度以及GPU運算錯誤率顯示等。 Ansys Lumerical：新版本帶來了極具突破性的功能升級。

然而，受限于C++默認不實現向量化及索引冗余計算，PHArray的實際運算效率顯著低于Fortran原生數組，串行性能測試中GFlop峰值比例不足問題尤為突出。為打破這一技術瓶頸，「神工坊」技術團隊提出以編譯器深度優化為核心的綜合性能提升方案，在保持用戶接口零改動的前提下重構底層數據訪問邏輯。

幾何編輯與清理：提供完整的布爾運算、幾何分割、變換操作以及倒角/孔洞/LOGO清理工具，提升幾何修復與簡化效率。

? 運算效率：SISMO技術運算效率最低，SESMO和HSMO技術運算效率相仿。 ? 性能排序：以PAE為標準，各種技術性能排序為HSMO<SESMO<SISMO<MO<SO。 05/驗證SMO技術的穩定性 損失函數收斂：HSMO在30~35次迭代內可有效降低損失函數，可見下圖。

注：云平臺資源充足，可同時進行多個作業的提交和計算，即耗時662分鐘得出所有結果（測試效率提升約64%），得出該作業最佳并行規模為128核。 03 計算效率瓶頸解決方案 方案一：多次作業并行運算，找出合適運算規模 不同的大規模作業需要不同的優化方式，其中包括優化數據讀寫策略、優化網格劃分、找到合適的最佳并行規模。