An integrated framework for accelerating reactive flow simulation using GPU and machine learning models

最近人工智能（AI）和高性能计算（HPC）的进展为加速反应流模拟带来了潜在的改变游戏规则的机会。在本研究中，我们介绍了一个开源的计算流体力学（CFD）框架，它集成了机器学习（ML）和图形处理器（GPU）的优势，以展示它们的联合能力。在这个框架内，所有的计算操作都仅在GPU上执行，包括ML加速的化学积分，完全隐式求解PDE和计算热力学和传输特性，从而消除了CPU-GPU内存复制开销。在内核函数内和内核启动过程中进行了优化，以增强计算性能。采用静态数据重组和动态数据分配等策略来减少GPU内存占用。在两个湍流火焰基准测试中，分别使用准DNS和LES建模来评估计算性能。值得注意的是，虽然与传统的基于CPU/CVODE的求解器保持类似的精度，但GPU/ML加速方法在两种情况下都显示出超过两个数量级的总体加速。这个结果突显了高保真的湍流燃烧模拟，需要通常数百个CPU，现在可以在像笔记本电脑这样的便携设备上使用中端GPU来执行。

使用机器学习和GPU加速反应流模拟的问题

该论文提出了一种基于开源CFD框架的GPU/ML加速方法，用于高保真度的湍流燃烧模拟，可以在中端GPU的笔记本电脑上运行，比传统的CPU/CVODE求解器快两个数量级以上。

该方法的亮点包括：所有计算操作都在GPU上执行，包括ML加速化学积分、PDE的全隐式求解以及热传导性质的计算；通过内核函数内部优化和内核启动过程中的优化来提高计算性能；采用静态数据重组和动态数据分配等策略来减少GPU内存占用。

在这个领域中，最近的相关研究包括： 1. 'Accelerating turbulent combustion simulations using GPUs with CUDA and OpenACC'（使用CUDA和OpenACC加速湍流燃烧模拟） 2. 'Machine learning-based acceleration of turbulent combustion simulations'（基于机器学习的湍流燃烧模拟加速） 3. 'GPU acceleration of a finite-rate chemistry solver for large-eddy simulation of turbulent combustion'（GPU加速有限速化学求解器用于湍流燃烧大涡模拟）