[论文解读] Adjoint Lattice Boltzmann for Topology Optimization on multi-GPU architecture

Łukasz Łaniewski-Wołłk, Jacek Rokicki|arXiv (Cornell University)|Jan 20, 2015

Lattice Boltzmann Simulation Studies参考文献 11被引用 3

一句话总结

本文提出一种用于多GPU架构的伴随格子玻尔兹曼方法（LBM），通过离散伴随公式实现高效灵敏度计算，同时保持局部性和显式时间推进特性。该方法实现了近乎线性的弱缩放，并在10–15块GPU时达到强缩放饱和，成功优化了复杂三维几何结构，如分形状散热器和混合器，展现出高性能与高精度。

ABSTRACT

In this paper we present a topology optimization technique applicable to a broad range of flow design problems. We propose also a discrete adjoint formulation effective for a wide class of Lattice Boltzmann Methods (LBM). This adjoint formulation is used to calculate sensitivity of the LBM solution to several type of parameters, both global and local. The numerical scheme for solving the adjoint problem has many properties of the original system, including locality and explicit time-stepping. Thus it is possible to integrate it with the standard LBM solver, allowing for straightforward and efficient parallelization (overcoming limitations typical for discrete adjoint solvers). This approach is successfully used for the channel flow to design a free-topology mixer and a heat exchanger. Both resulting geometries being very complex maximize their objective functions, while keeping viscous losses at acceptable level.

研究动机与目标

• 开发一种可扩展、可并行化的伴随LBM框架，用于复杂介观流动问题的拓扑优化。
• 通过在多GPU系统上实现高效并行化，克服传统离散伴随求解器的局限性。
• 实现多物理场问题（包括流动与传热耦合）的高保真度拓扑优化。
• 利用与广泛LBM格式兼容的离散伴随公式，实现对全局和局部参数的高效灵敏度计算。
• 在3D高复杂度问题（如自由拓扑混合器和散热器）上验证该方法的有效性。

提出的方法

• 为一类广泛的格子玻尔兹曼方法提出离散伴随公式，直接从离散方程推导，而非连续PDE。
• 确保伴随格式继承原始LBM的关键特性，包括局部性和显式时间推进，从而支持高效并行化。
• 仅对小型局部过程应用自动微分，避免MPI相关瓶颈，实现完整的GPU并行性。
• 采用单次优化方法将伴随求解器与标准LBM求解器集成，以降低计算成本。
• 使用代码生成和优化的内存访问模式，在CUDA兼容GPU上实现整个框架的高性能。
• 采用移动渐近线法（MMA）或最速下降法进行优化，由伴随导出的梯度驱动。

实验结果

研究问题

• RQ1 能否设计一种LBM的离散伴随公式，以保持原始格式的局部性和显式时间推进特性，从而实现高效的GPU并行化？
• RQ2 如何在不依赖MPI不兼容的AD工具的前提下，使伴随灵敏度计算在多GPU架构上实现可扩展且高效？
• RQ3 所提出的伴随LBM框架在多物理场流动问题（如散热器和混合器）中，对复杂3D拓扑的优化能力达到何种程度？
• RQ4 当应用于大规模拓扑优化问题时，伴随LBM求解器的强缩放和弱缩放特性如何？
• RQ5 该方法能否生成高度复杂、接近分形的几何结构，在最大化目标函数的同时保持低粘性损失？

主要发现

• 伴随LBM公式在GPU集群上实现了近乎线性的弱缩放，表明其在大规模问题上的高效率。
• 强缩放在10–15块GPU时达到饱和，表明受通信和负载均衡开销影响存在实际限制。
• 该方法成功优化了一款具有复杂分形状几何结构的3D散热器，在最大化传热效率的同时保持可接受的粘性损失。
• 混合器设计实现了高性能，具有复杂拓扑结构，证实了该方法在流动问题中自由拓扑优化的能力。
• 即使在较小网格上，伴随求解器仍保持线性可扩展性，其并行效率优于传统方法。
• 定量结果表明，优化过程收敛时相对误差较低：例如，在使用10–30块GPU的3D案例中，目标函数的相对误差为2%至5%。