abaqus加速計(jì)算的案例
異構(gòu)加速計(jì)算崛起，不應(yīng)只是關(guān)注計(jì)算芯片
以近藤正明教授為首的研究人員等專家在《下一代高級(jí)計(jì)算基礎(chǔ)設(shè)施白皮書》中預(yù)計(jì)，未來將需要“專用或半專用硬件加速器”作為這十年計(jì)算的必備功能。 ”以及 Hennessy 和 Patterson 在他們的論文“計(jì)算機(jī)架構(gòu)的新黃金時(shí)代”中。
As long as we are talking about dedicated accelerators, why stop at GPUs? Optimizing for different types of accelerators is a great objective, but we don’t want to write different code for different types of accelerators. We believe that the industry will benefit from a standardized language, that everyone can contribute to, collaborate on, is not locked into a particular vendor, and can evolve organically based on its members and public requirements.
既然我們談?wù)摰氖菍Ｓ?em>加速器，為什么只停留在 GPU 上呢？ 針對不同類型的加速器進(jìn)行優(yōu)化是一個(gè)偉大的目標(biāo)，但我們不想為不同類型的加速器編寫不同的代碼。 我們相信，該行業(yè)將受益于標(biāo)準(zhǔn)化語言，每個(gè)人都可以做出貢獻(xiàn)、進(jìn)行協(xié)作，不會(huì)被鎖定到特定的供應(yīng)商，并且可以根據(jù)其成員和公眾要求有機(jī)發(fā)展。
展開 高性能計(jì)算（HPC）服務(wù)器加速LSDYNA計(jì)算效果展示
分享幾個(gè)我司為客戶提供的高性能計(jì)算服務(wù)器案例，LSDYNA軟件提速數(shù)倍。
1. 如下圖，客戶采用自有的工作站進(jìn)行射流沖擊仿真，運(yùn)行至250微秒用時(shí)3天多，我司服務(wù)器運(yùn)行至250微秒只需3小時(shí)，提速24倍+。
2. LSDYNA爆炸仿真，客戶自己電腦用時(shí)28小時(shí)，我司集群3小時(shí)完成，提速8倍。
3. 某高校客戶，爆炸仿真，客戶租用工作站12小時(shí)只跑了1000微秒，而我司服務(wù)器跑完6000微秒用時(shí)57分鐘，提速72倍+。
4. 某軍工客戶，爆炸仿真，客戶原有電腦需運(yùn)行155小時(shí)，我司工作站僅需5.3小時(shí)，提速29倍。
如有需要采購服務(wù)器、建設(shè)高性能計(jì)算集群的單位歡迎聯(lián)系。后續(xù)將發(fā)布StarCCM、Fluent、Abaqus等各行業(yè)客戶使用我司服務(wù)器后的性能提升案例。
展開 用GPU加速Fluent計(jì)算
用Fluent開啟GPU進(jìn)行計(jì)算，過程其實(shí)很簡單，不過現(xiàn)在只找到采用N卡進(jìn)行計(jì)算的方法。首先在開始界面需要設(shè)置并行計(jì)算的核數(shù)與你要用來計(jì)算的GPU數(shù)量，一般電腦都只有一塊顯卡，所以設(shè)置為1就可以了。
打開之后就需要用命令行去打打開顯卡計(jì)算并進(jìn)行設(shè)置，命令行/solve/set/amg-options/amg-gpgpu-options/，后面還需要跟上你想并行計(jì)算的模型比如我這里的壓力耦合計(jì)算，后面是一些精度和求解方法的設(shè)置，其中精度和迭代次數(shù)比較重要，搞得不好反倒會(huì)發(fā)散，比如這里設(shè)置為0.1，如果過大那時(shí)間就會(huì)比較長。
設(shè)置好了之后運(yùn)行就可以了，也沒什么需要注意的，但是有的模型本身就有限制用不了并行加速方法，具體的可以參考這里的內(nèi)容https://www.nvidia.cn/data-center/gpu-accelerated-applications/ansys-fluent/
我這里模型比較小，計(jì)算時(shí)間就2分鐘效果提升不明顯，大的模型會(huì)明顯一些，但顯卡確實(shí)用起來了。
如果是自己編寫的程序想并行求解的會(huì)麻煩很多，但也不是沒有辦法。
后續(xù)更新如何用代碼主要是基于matlab進(jìn)行三維模型計(jì)算，包括讀取網(wǎng)格（基于Openfoam格式的網(wǎng)格），處理拓?fù)洌x散求解一系列流程。
展開 如何加速Map圖計(jì)算？
電功率與每周期時(shí)間步數(shù)曲線
軸功率與每周期時(shí)間步數(shù)曲線
對于電動(dòng)機(jī)模式：
對于發(fā)電機(jī)模式：
在計(jì)算Map圖時(shí)，每個(gè)周期的時(shí)間步數(shù)不宜設(shè)置過大，可以采用默認(rèn)的30步（或者加大到40~60），可平衡計(jì)算速度和精度。
(2)周期數(shù)
Maxwell基于磁場分析結(jié)果，通過后處理的方式計(jì)算鐵心損耗，磁場幅值的建立至少需要半個(gè)電周期，計(jì)算Map圖時(shí)，對于永磁同步電機(jī)，周期數(shù)設(shè)置為2即可，如果使用半周期TDM，可以只計(jì)算半個(gè)電周期。
(3)參數(shù)掃描變量數(shù)的設(shè)置
首先是電流和電流相位角的掃描設(shè)置，Toolkit使用非線性DOE采樣，默認(rèn)的6*10是較平衡的設(shè)置，如需進(jìn)一步提高精度，可在每個(gè)維度增加3～5個(gè)點(diǎn)。其次是轉(zhuǎn)速點(diǎn)的設(shè)置，從2020R1開始，對于同步電機(jī)，Toolkit可取消對轉(zhuǎn)速變量的掃描，取消勾選Specify number of speed sweeppoints，或者直接設(shè)置為1即可激活該功能，由于減少了一個(gè)掃描維度，計(jì)算量大幅降低，當(dāng)鐵損系數(shù)與轉(zhuǎn)速無關(guān)時(shí)，建議使用該功能。
6 測試案例
為此，本文拿一個(gè)例子來進(jìn)行測試，測試計(jì)算Map圖所需的時(shí)間，本文開啟DSO設(shè)置，Tasks= Cores = 8，一次性計(jì)算8個(gè)任務(wù)，最終用時(shí)18分鐘就把Map圖結(jié)果計(jì)算完成了，軟件版本為2020R2，相關(guān)參數(shù)設(shè)置如下。
DSO設(shè)置及計(jì)算過程：
Map計(jì)算結(jié)果：
軟件版本為2020R2，電腦硬件配置如下：
7 總結(jié)
通過設(shè)置周期模型、合理設(shè)置網(wǎng)格剖分、打開DSO及LSDSO加速計(jì)算、合理的ACT參數(shù)設(shè)置等操作后，軟件可以在很短的時(shí)間內(nèi)將電機(jī)的Map圖結(jié)果計(jì)算出來，如本文所述案例，在18min內(nèi)就可將結(jié)果計(jì)算完成。
展開 
John Glossner：新一代異構(gòu)計(jì)算正在成為人工智能的加速引擎，中國是全球異構(gòu)計(jì)算生態(tài)的重要一
如果按照馬云的觀點(diǎn)，數(shù)據(jù)是人工智能的生產(chǎn)資料，計(jì)算是人工智能的生產(chǎn)力，那么異構(gòu)計(jì)算就是提升人工智能生產(chǎn)力的引擎。
9月17日，在2018世界人工智能大會(huì)的主論壇上，全球異構(gòu)系統(tǒng)架構(gòu)（HSA）聯(lián)盟主席John Glossner博士發(fā)表了《面向人工智能的新一代異構(gòu)計(jì)算標(biāo)準(zhǔn)》的演講。John Glossner在演講中以華夏芯（北京）通用處理器技術(shù)有限公司的異構(gòu)多核處理器平臺(tái)為例，介紹了最新的人工智能芯片的設(shè)計(jì)趨勢。他還表示，中國是全球異構(gòu)計(jì)算生態(tài)的重要一環(huán)。異構(gòu)計(jì)算是一種將不同指令架構(gòu)的計(jì)算單元（例如傳統(tǒng)的CPU、GPU、DSP、還有創(chuàng)新的TPU、DLA等）融合在一起、實(shí)現(xiàn)高效協(xié)同運(yùn)行的計(jì)算技術(shù)。如果說傳統(tǒng)架構(gòu)的芯片是一種燒汽油的引擎，那么異構(gòu)計(jì)算的芯片就是一種混合動(dòng)力引擎，甚至新能源引擎。
John Glossner主席認(rèn)為，大量人工智能應(yīng)用的出現(xiàn)，如無人駕駛、機(jī)器視覺、智能手機(jī)等等，對于人工智能的發(fā)動(dòng)機(jī)——芯片，提出了非常高的要求，包括性能、功耗、成本、應(yīng)用開發(fā)等等。芯片既是人工智能持續(xù)增長的動(dòng)力引擎，又是人工智能規(guī)模化商用的算力瓶頸。面對大數(shù)據(jù)、人工智能對計(jì)算性能的爆發(fā)式需求，各種創(chuàng)新的神經(jīng)網(wǎng)絡(luò)算法及相應(yīng)的計(jì)算實(shí)現(xiàn)架構(gòu)層出不窮，之前的傳統(tǒng)芯片設(shè)計(jì)架構(gòu)已經(jīng)難以滿足應(yīng)用對計(jì)算能力的需求。正因?yàn)槿绱耍粌H眾多創(chuàng)新的芯片公司，甚至包括亞馬遜、百度這些互聯(lián)網(wǎng)公司都在開始設(shè)計(jì)新架構(gòu)的人工智能芯片。異構(gòu)計(jì)算這種將傳統(tǒng)與創(chuàng)新架構(gòu)融合、通用和專用計(jì)算協(xié)同的技術(shù)路徑，非常好地滿足了人工智能芯片不僅要性能好、成本低，還要可演進(jìn)、易開發(fā)的設(shè)計(jì)理念。因此，業(yè)界的共識(shí)是新一代異構(gòu)計(jì)算架構(gòu)是未來人工智能芯片設(shè)計(jì)創(chuàng)新的主要突破口。
異構(gòu)計(jì)算并不是全新的概念，但由于產(chǎn)品設(shè)計(jì)難度大、生態(tài)系統(tǒng)需要重新構(gòu)建等挑戰(zhàn)，在過去很長一段時(shí)間里一直處在不斷演進(jìn)當(dāng)中。
展開 深度解讀 NVIDIA 加速計(jì)算平臺(tái)如何推動(dòng)人工智能、元宇宙、云技術(shù)和可持續(xù)計(jì)算的下一波浪潮
黃仁勛將深度解讀 NVIDIA 加速計(jì)算平臺(tái)如何推動(dòng)人工智能、元宇宙、云技術(shù)和可持續(xù)計(jì)算的下一波浪潮。
NVIDIA 創(chuàng)始人兼首席執(zhí)行官黃仁勛的 GTC 主題演講將于北京時(shí)間 3 月 21 日 23:00 全球首播，3 月 22 日 10:00 中國重播。
掃碼或點(diǎn)擊下方鏈接
鏈接：https://www.nvidia.cn/gtc-global/keynote/?ncid=ref-io-415248
探索全球思想領(lǐng)袖的宏圖大略
您還可以通過本次 GTC 探索來自各行各業(yè)思想領(lǐng)袖的宏圖大略。重磅演講嘉賓包括 DeepMind 創(chuàng)始人兼首席執(zhí)行官 Demis Hassabis、Open AI 聯(lián)合創(chuàng)始人兼首席科學(xué)家 Ilya Sutskever、Adobe 首席產(chǎn)品官 Scott Belsky，和 IBM 公司首席信息官 Kathryn Guarini 等。
更多重磅專題演講將接連登場，切勿錯(cuò)過全新的突破性內(nèi)容、由專家主持的會(huì)議和必看的主題演講。
展開 GPU加速計(jì)算的狼來了？
當(dāng)然，GPU在進(jìn)行LBM計(jì)算的時(shí)候，不會(huì)改變其物理計(jì)算的本質(zhì)，仍然是通過速度分布函數(shù)、宏觀物理量和平衡態(tài)分布之間的迭代來實(shí)現(xiàn)的。因此，如果代碼調(diào)試沒有問題的話，GPU計(jì)算的結(jié)果和CPU應(yīng)該是一致的。
當(dāng)然，要想GPU算法能夠?qū)崿F(xiàn)更好的加速效果，也需要對參數(shù)存儲(chǔ)、傳遞和計(jì)算進(jìn)行優(yōu)化。目前，許多LBM方法在配合GPU計(jì)算已產(chǎn)生恐怖的加速性能，比如已有商業(yè)軟件可將單塊顯卡的計(jì)算加速能力提高到等價(jià)于數(shù)千個(gè)CPU核的量級(jí)。相信隨著GPU性能和軟件本身的不斷進(jìn)化，GPU一定會(huì)讓LBM徹底飛起來。
來源于：LBM與流體力學(xué) 作者： 盧比與鋼蛋
展開 ANSYS加速仿真計(jì)算硬件配置建議
Ansys 工作負(fù)載對內(nèi)存帶寬和計(jì)算能力都有很高的要求，而這些要求會(huì)因多種因素而異，包括數(shù)據(jù)集的大小和所使用的求解器。多年來，我們與高性能計(jì)算 (HPC) 合作伙伴攜手合作，積累了豐富的經(jīng)驗(yàn)，深知均衡的硬件解決方案能夠最大程度地提高您在硬件和 Ansys 軟件方面的投資回報(bào)。換句話說，投資于能夠加速特定 Ansys 應(yīng)用的技術(shù)才是明智之舉。
以下是關(guān)于如何選擇關(guān)鍵硬件技術(shù)以增強(qiáng) Ansys 仿真運(yùn)行的一些建議。
選擇最適合模擬的處理器
我們先來選擇合適的處理器。我們的一些應(yīng)用程序，例如 Ansys Mechanical、Ansys HFSS 和 Ansys LS-DYNA，都使用了 Intel 高級(jí)矢量擴(kuò)展 512 (AVX512) 指令集，因此在 Cascade Lake SP 62xx 和 AP 92xx 系列的 Intel Xeon 可擴(kuò)展處理器上性能非常出色。
雖然高時(shí)鐘頻率的處理器通常是理想之選，但對于運(yùn)行在大型集群上的 Ansys 應(yīng)用（例如 Ansys CFX、Fluent 和 LS-DYNA）而言，其重要性并非那么突出。在大型集群中，通信吞吐量比計(jì)算速度更為重要，因此處理器速度并非那么關(guān)鍵。
通常不建議選擇核心數(shù)最多的處理器，因?yàn)槿绻鸆PU內(nèi)存沒有相應(yīng)增加，可能會(huì)對內(nèi)存帶寬產(chǎn)生負(fù)面影響。大量的核心可能會(huì)降低CFX、Fluent和LS-DYNA的性能，這些軟件通常運(yùn)行在大型集群上。如需了解更多信息，請下載《適用于Ansys Mechanical和Fluent工作負(fù)載的Intel處理器選擇》 白皮書。
選擇合適的記憶方式
對于大多數(shù) Ansys 應(yīng)用來說，選擇足夠的內(nèi)存 (RAM) 至關(guān)重要，這樣才能實(shí)現(xiàn)“核內(nèi)”求解，避免將數(shù)據(jù)分頁到硬盤（“核外”），后者通常速度較慢。
展開 US/Explicit加速計(jì)算的方法
采用顯式動(dòng)態(tài)標(biāo)準(zhǔn)的成型問題的實(shí)際時(shí)間是過大的，所以大部分成型分析都需要過多的計(jì)算機(jī)時(shí)間以至于無法按照它們自己的物理時(shí)間尺度進(jìn)行運(yùn)算；若使分析在一個(gè)可接受的計(jì)算機(jī)時(shí)間范圍內(nèi)運(yùn)行，常常需要對分析做出改變以減少計(jì)算機(jī)成本。有兩種節(jié)省分析成本的方法：
①．人為地增加沖頭的速度，從而在一個(gè)更短的分析步時(shí)間內(nèi)發(fā)生同樣的成型過程。這種方法稱為加載速率放大（load rate scaling）。
②．人為地增加單元的質(zhì)量密度，從而增大穩(wěn)定時(shí)間極限，允許分析采用較少的增量步。這種方法稱為質(zhì)量放大（mass scaling）。
這兩種方法等效地做相同的事情，除非模型具有率相關(guān)材料或者阻尼。
確定可接受的質(zhì)量放大，在保持慣性力不顯著的前提下以最短的時(shí)間模擬過程。求解的時(shí)間加快多少是有界的，而且還要能夠得到一個(gè)有意義的準(zhǔn)靜態(tài)解答。
· 如果一個(gè)準(zhǔn)靜態(tài)分析以它的固有時(shí)間尺度進(jìn)行，其解答將幾乎是與一個(gè)真正的靜態(tài)解答相同。
· 采用加載速率放大或質(zhì)量放大的方法來獲得準(zhǔn)靜態(tài)的解答，應(yīng)用較少的CPU時(shí)間常常是必要的。
· 只要解答不發(fā)生局部化，加載速率常常可以增加一些。如果加載速率提高過大，慣性力則會(huì)給解答帶來不利的影響。
· 質(zhì)量放大是提高加載速率的另一種方法。當(dāng)使用率相關(guān)材料時(shí)，最好采用質(zhì)量放大的方法，因?yàn)樘岣呒虞d速率將人為地改變材料的參數(shù)。
· 在靜態(tài)分析中，結(jié)構(gòu)的最低階模態(tài)控制著響應(yīng)。如果知道了最低階的自然頻率，以及對應(yīng)的最低階模態(tài)的周期，你可以估計(jì)獲得正確的靜態(tài)響應(yīng)所需要的時(shí)間。
· 以各種加載速率運(yùn)行一系列的分析以確定一個(gè)可接受的加載速率可能是必要的。
· 在大部分的模擬過程中，變形材料的動(dòng)能決不能超過其內(nèi)能的一個(gè)很小的百分比（典型地為5%到10%）。
在準(zhǔn)靜態(tài)分析中，為了描述位移，使用一條光滑步驟幅值曲線是最有效的方式。
展開 在 COMSOL Multiphysics 中設(shè)置 GPU 加速計(jì)算
COMSOL Multiphysics 的安裝現(xiàn)在支持 GPU 加速計(jì)算，并且可以立即使用。下圖展示了在 COMSOL Multiphysics 的設(shè)置中啟用 GPU 加速的一些示例。??
這使用加速求解器公式復(fù)選框（左）、間斷伽遼金加速求解器復(fù)選框（中）和在 GPU 上訓(xùn)練復(fù)選框（右）分別用于壓力聲學(xué)，時(shí)域顯式模型、使用 dG 方法的瞬態(tài)仿真和 DNN 訓(xùn)練。
進(jìn)一步學(xué)習(xí)
有關(guān)使用 dG 方法和代理模型訓(xùn)練的瞬態(tài)仿真的 GPU 支持的更多信息，請參閱文檔中的 COMSOL Multiphysics 版本說明和 COMSOL Multiphysics 參考手冊。
展開 如何加速你的EFD計(jì)算
計(jì)算的速度除了和你的硬件有直接的聯(lián)系之外,和你的網(wǎng)格與邊界和初始條件都有直接的聯(lián)系. 而我看到多數(shù)人的問題是網(wǎng)格數(shù)目很多,收斂很慢的問題.對此有下列技巧可以參考.
1.網(wǎng)格劃分的初試等級(jí)不用提得很高,我建議等級(jí)3就可以了.
2.在此基礎(chǔ)上在加上局部網(wǎng)格劃分可以節(jié)省不少網(wǎng)格.
3.有的時(shí)候取消自動(dòng)網(wǎng)格劃分,進(jìn)行手動(dòng)網(wǎng)格劃分設(shè)置再加上局部網(wǎng)格劃分可以節(jié)省更多網(wǎng)格.
4.網(wǎng)格劃分會(huì)受到你的GOAL的定義的影響,因此,如果不是很必要,不需要的GOAL,請不要添加.
以上是對網(wǎng)格的建議,我想網(wǎng)格的減少是速度提高最大的直接效果.
5.另外請注意的是,提供一個(gè)良好的初始條件是加速收斂的一個(gè)非常有效的方法.因此建議先在網(wǎng)格比較少的情況下進(jìn)行一個(gè)快速計(jì)算,這樣會(huì)得到一個(gè)不錯(cuò)的初始結(jié)果.然后再進(jìn)行局部加密的網(wǎng)格劃分,計(jì)算時(shí)把你的初始條件指定為之前少網(wǎng)格情況下得到的初試結(jié)果.
6.現(xiàn)在都是多核的計(jì)算機(jī),因此請用9版本之上的EFD進(jìn)行并行分析.
7.收斂的計(jì)算是需要花費(fèi)時(shí)間的,這個(gè)基準(zhǔn)在于你的GOAL中默認(rèn)的準(zhǔn)則(你可以修改),如果我們計(jì)算的GAOL已經(jīng)呈現(xiàn)出持平的一段直線,那么你可以直接手動(dòng)停下來,相信當(dāng)前的結(jié)果就是你需要的了.
最后. 提高單進(jìn)程內(nèi)存:EFD計(jì)算時(shí)請單獨(dú)開一個(gè)進(jìn)程,不要將其與CAD處于同一進(jìn)程之中.當(dāng)然它不是加速你的計(jì)算,純屬解決小內(nèi)存機(jī)器問題.
展開 
《CST Studio Suite 2024 GPU加速計(jì)算指南》
《GPU Computing Guide》是由Dassault Systèmes Deutschland GmbH發(fā)布的有關(guān)CST Studio Suite 2024的GPU計(jì)算指南。涵蓋GPU計(jì)算的各個(gè)方面，包括硬件支持、操作系統(tǒng)支持、許可證、GPU計(jì)算的啟用、NVIDIA和AMD GPU的詳細(xì)信息以及相關(guān)的使用指南和故障排除等內(nèi)容。
1. 硬件支持
- NVIDIA GPU：詳細(xì)列出了支持和不支持的NVIDIA GPU硬件，如支持的有L40S、RTX 5000 Ada Gen等，不支持的如Kepler和Maxwell部分型號(hào)被標(biāo)記為棄用。同時(shí)提到GPU計(jì)算要求64位計(jì)算機(jī)架構(gòu)，不同代的GPU不能在單個(gè)主機(jī)系統(tǒng)中組合使用。
- AMD GPU：目前只有時(shí)域求解器（FIT）支持AMD GPU，如Instinct MI 210、Radeon VII等，并給出了相關(guān)規(guī)格和主機(jī)系統(tǒng)要求。
2. 操作系統(tǒng)支持：CST Studio Suite在不同操作系統(tǒng)上持續(xù)測試，可在支持的操作系統(tǒng)上使用GPU計(jì)算，具體參考相關(guān)文檔。
3. 許可證：GPU計(jì)算功能通過CST Studio Suite許可證模型的加速令牌或SIMULIA統(tǒng)一許可證模型的SimUnit令牌或積分授權(quán)。
4. GPU計(jì)算的啟用
- 交互式模擬：通過加速對話框啟用，打開求解器對話框，點(diǎn)擊“加速”按鈕，打開“硬件加速”并指定GPU設(shè)備數(shù)量。
- 批處理模式：使用命令行開關(guān)（-withgpu），并給出了Windows和Linux下的使用示例。
5.
展開 LMS Virtual.Lab 聲學(xué)計(jì)算加速
顧名思義，就是講了VL進(jìn)行聲學(xué)計(jì)算時(shí)候一些計(jì)算資源管理的問題，包括如何占用內(nèi)存，如何進(jìn)行大型并行計(jì)算，如何用模型自由度估計(jì)所需要的內(nèi)存和CPU時(shí)間，最后講了一些合理建議，比如選擇不同的求解器（如ATV）或者方法（如迭代法），來加快計(jì)算，從而使你工作效率更高！希望這個(gè)帖子對大家有一定幫助！謝謝！
pres_Solver.pdf
12/21 基于Ansys Speos的GPU光學(xué)模擬加速計(jì)算
Ansys與NVIDIA有著長久的戰(zhàn)略合作關(guān)系，作為高性能計(jì)算領(lǐng)域的技術(shù)領(lǐng)導(dǎo)者，雙方展開密切合作在Ansys多物理場解決方案中開發(fā)GPU加速求解器和算法，確保在Ansys軟件上運(yùn)行的仿真工作具有最快的性能。此外還在專業(yè)圖形方案領(lǐng)域進(jìn)行合作，確保Ansys在建模、后處理和可視化等工作流程能夠發(fā)揮最佳性能和質(zhì)量水平。
當(dāng)下隨著科技的發(fā)展，汽車內(nèi)外飾照明越來越復(fù)雜，以往想要模擬出高逼真的視覺效果，需要堆棧CPU數(shù)量用于模擬計(jì)算，硬件成本很高。而在即將正式推出的Ansys Speos GPU加速計(jì)算中，可實(shí)現(xiàn)4-8倍運(yùn)算能力的提高，通過借助GPU加速獲得更好的結(jié)果、更快的模擬以及更高的精度和分辨率，實(shí)現(xiàn)基于物理的逼真渲染，消除時(shí)間/硬件管理等障礙，進(jìn)一步加快開發(fā)速度。
12月21日，Ansys將聯(lián)合NVIDIA共同推出【基于Ansys Speos的GPU光學(xué)模擬加速計(jì)算】網(wǎng)絡(luò)研討會(huì)，本次會(huì)議邀請來自NVIDIA 行業(yè)拓展經(jīng)理茅勇，以及Ansys Speos應(yīng)用工程師孫鴻燁作為主講嘉賓，共同分享實(shí)現(xiàn)快速計(jì)算的關(guān)鍵技術(shù)以及最新光學(xué)仿真的功能革新，歡迎大家報(bào)名參會(huì)。
展開 Ansys進(jìn)一步加速高性能計(jì)算和人工智能設(shè)計(jì)
Ansys RaptorH為芯片設(shè)計(jì)團(tuán)隊(duì)提供業(yè)界領(lǐng)先的HFSS求解器技術(shù)
隨著Ansys? RaptorH?的正式發(fā)布，Ansys將進(jìn)一步為工程師加快和改進(jìn)5G、三維集成電路（3D-IC）和射頻集成電路設(shè)計(jì)工作流程賦能，推動(dòng)智能設(shè)備、天線陣列和數(shù)據(jù)存儲(chǔ)系統(tǒng)等方面的創(chuàng)新。RaptorH集結(jié)了Ansys旗艦產(chǎn)品HFSS的保真度與RaptorX的速度和高容量架構(gòu)，幫助設(shè)計(jì)人員縮小芯片尺寸、降低功耗、減少生產(chǎn)成本并最大限度地加快產(chǎn)品上市進(jìn)程。
從用于5G移動(dòng)設(shè)備和網(wǎng)絡(luò)基礎(chǔ)設(shè)施的高性能片上系統(tǒng)（SoC），到實(shí)現(xiàn)自動(dòng)駕駛汽車和工業(yè)物聯(lián)網(wǎng)的射頻收發(fā)器，電磁對電路設(shè)計(jì)的影響極為關(guān)鍵。Ansys RaptorH能有效幫助客戶解決不良干擾，避免可能導(dǎo)致設(shè)計(jì)周期延長、風(fēng)險(xiǎn)增大、成本升高以及性能不理想等不良影響。
圖為納米級(jí)片上系統(tǒng)（SoC）的塊視圖，該分析展示了由HFSS黃金標(biāo)準(zhǔn)所提供支持的RaptorH的驚人容量
Ansys RaptorH是一款高度集成的分析解決方案，使設(shè)計(jì)人員能夠仿真在多芯片3D-IC、硅interposer和高級(jí)封裝上的高級(jí)納米硅設(shè)計(jì)的電磁現(xiàn)象，從而縮短設(shè)計(jì)周期并提高可靠性與完整性。
Ansys副總裁兼總經(jīng)理John Lee表示：“設(shè)計(jì)新一代電子產(chǎn)品的企業(yè)面臨著日益嚴(yán)峻的上市時(shí)間壓力，因?yàn)樗麄円谌菀壮鲥e(cuò)且成本高昂的工作流程中努力解決極為復(fù)雜的設(shè)計(jì)挑戰(zhàn)
展開 