guest ::
Efficient coupling of highly parallel computational fluid dynamics simulations with deep learning on heterogeneous architectures
2026
Dissertation, RWTH Aachen University, 2026
Veröffentlicht auf dem Publikationsserver der RWTH Aachen University
Genehmigende Fakultät
Fak09
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2026-09-02
Online
DOI: 10.18154/RWTH-2026-08873
URL: https://publications.rwth-aachen.de/record/1041761/files/1041761.pdf
Einrichtungen
Projekte
Inhaltliche Beschreibung (Schlagwörter)
CFD (frei) ; HPC (frei) ; combustion (frei) ; coupling (frei) ; deep learning (frei) ; heterogeneous architectures (frei) ; hybrid (frei) ; inference (frei) ; machine learning (frei) ; turbulence (frei)
Thematische Einordnung (Klassifikation)
DDC: 004
Kurzfassung
Das Gebiet der numerischen Strömungssimulation (CFD) beschäftigt sich mit der Simulation von turbulenten oder reaktiven Strömungen aus realen Anwendungen. Diese Simulationen benötigen leistungsstarke Hochleistungsrechner, um effizient in angemessener Zeit durchgeführt werden zu können. Große Simulationen von industrieller Relevanz können jedoch die Rechenkapazitäten selbst der größten gegenwärtigen Supercomputer überschreiten. In solchen Fällen werden spezielle Modellierungstechniken angewendet, welche die Beziehung zwischen verschiedenen physikalischen Größen akkurat beschreiben, ohne die tatsächliche Physik zu simulieren. Aufgrund der Verfügbarkeit großer Datensätze und leistungsstarker Hardware haben datengetriebene Modelle aus dem Bereich des tiefen Lernens (DL) in den letzten Jahren an Bedeutung gewonnen. Die Untersuchung datengetriebener Ansätze zur Modellierung physikalischer Probleme erfordert die Kopplung existierender Strömungslöser mit der Inferenz von DL-Modellen. Während viele traditionelle Strömungslöser über Jahrzehnte hinweg für eine effiziente Ausführung auf CPU-Architekturen optimiert wurden, lässt sich die Inferenz von DL-Modellen erheblich durch den Einsatz von GPUs beschleunigen. Die erforderliche Kopplung stellt eine Herausforderung für die effiziente Ausnutzung heterogener Hochleistungsrechner, bestehend aus mehrkernigen CPUs und massiv parallelen GPUs, dar. In dieser Arbeit wird die Kopplung hochparalleler numerischer Strömungssimulationen mit DL-Modellen untersucht und ein neues, skalierbares, allgemeines Kopplungsverfahren entwickelt, welches die Inferenz des DL-Modells effizient auf verteilten GPUs beschleunigt, während die Ausführung des Strömungslösers auf CPUs verbleibt. Basierend auf der Anforderungsanalyse vierer realer, gekoppelter Anwendungsfälle, wird ein formales, abstraktes Kopplungsmodell definiert, um die Semantik eines allgemeinen Kopplungsverfahrens zu verstehen, welches ein breites Spektrum verschiedener Strömungslöser und DL-Modellarchitekturen unterstützt. Außerdem wird ein neues hybrides Inferenzverfahren vorgeschlagen, um die Auslastung der heterogenen Hardwareressourcen zu optimieren. Die Flexibilität und Erweiterbarkeit des allgemeinen Kopplungsverfahrens werden anhand einer Erweiterung demonstriert, die das Online-Training von DL-Modellen, gekoppelt an einen Strömungslöser, ermöglicht. Das entwickelte allgemeine Kopplungsverfahren und seine beiden Erweiterungen werden in eine neue Kopplungsbibliothek implementiert, welche auch die neue AIxeleratorService-Bibliothek als Backend für die verteilte Inferenz beinhaltet. Die Rechenleistung des implementierten Kopplungsverfahrens wird mit allen vier Anwendungsfällen aus dieser Arbeit evaluiert, um die Anwendbarkeit auf reale Anwendungen mit effizienter Skalierbarkeit zu demonstrieren.The field of computational fluid dynamics (CFD) is concerned with the numerical simulation of turbulent or reactive flow problems that occur in important real world applications. These simulations require powerful high-performance computing (HPC) systems to be carried out efficiently in reasonable time. However, large scale simulation cases of practical industrial relevance may still exceed the capabilities of even today's most powerful supercomputers. In these cases, special modeling techniques to accurately describe the relation between different physical quantities of interest instead of simulating the real physics are employed to reduce the computational effort down to a feasible level. Due to the availability of huge datasets and powerful hardware, data-driven models from deep learning (DL) gained a lot of traction in recent years. The investigation of deep learning-based physical modeling approaches requires the coupling of existing CFD solvers with the inference of new DL models like deep neural networks, for example. While many traditional CFD solvers have been optimized over decades to run efficiently on CPU-based architectures, the inference of DL models can be significantly accelerated by GPUs. From a computational perspective, the desired coupling is challenging because modern heterogeneous HPC systems comprising multicore CPUs and massively parallel GPUs need to be exploited efficiently. This thesis investigates the coupling of highly parallel CFD simulation with deep learning and provides a novel scalable general coupling method to efficiently accelerate the inference task on multiple distributed GPUs while keeping the CFD solver execution on CPUs. Four real world coupled CFD+DL use cases are analyzed to derive application requirements based on which a formal abstract coupling model is defined to understand the semantics of a general coupling method, that supports a wide range of existing CFD solvers and DL model architectures. Moreover, a new hybrid inference method is proposed to optimize the utilization of heterogeneous hardware resources. The flexibility and expandability of the general coupling method is demonstrated by an extension to also support online training of DL models coupled to a CFD solver. The developed general coupling method and both extensions are implemented in a new deep learning coupling library including the new AIxeleratorService library as a distributed inference backend. The computational performance of the implemented coupling method is evaluated using all four use cases considered in this thesis to demonstrate the applicability to real world applications with efficient scalability.
OpenAccess: 
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis
Format
online
Sprache
English
Externe Identnummern
HBZ: HT031598265
Interne Identnummern
RWTH-2026-08873
Datensatz-ID: 1041761
Beteiligte Länder
Germany
|
The record appears in these collections: |