计算机辅助设计(CAE)始于1950年代。简单地说，CAE就是指用计算机来解决工程问题。CAE的目的是利用计算机将设计或生产的各个环节有机地组织起来。使用数据集成来简化整个设计（产品）开发周期。CAE作为一项资源密集型技术，是一个有待解决的挑战。

    最初，Altair、Ansys、Autodesk、DassaultSystèmes(Simulia)、HexagonMSC和西门子等主要工程仿真软件供应商长期以来一直依赖于CPU是驱动计算的主要引擎时开发的技术。然而，由于工程师希望提高真实性和复杂性，他们必须解决更大、更复杂的问题。使用CPU驱动可能需要数小时、数天甚至数周才能得到处理结果，时间成本相对较高。

    CAE的主要任务是运行大规模并行流程。CAE通过在模型中创建节点网络来评估模型，然后将力和条件应用于节点并评估模型是否适合目的。网络越密集，模拟越可靠。NVIDIA于1999年发明的第一个图形处理单元(GPU)为CAE的重大变革奠定了基础。

    CPU适用于广泛的工作负载，多用于专注于单一任务，而GPU多用于并行计算，由于灵活性和性能特点，可以同时处理多个应用程序。GPU的优势在于单芯片上的处理单元数量远超CPU数量。

    从这一点来看，GPU处理器的价格要比CPU处理器低很多。与CPU相比，GPU具有更高的密度和更低的总拥有成本，因此具有显着的性价比优势。

    NVIDIA推出GPU开发工具改造CAE

    因此，如果GPU的成本低于CPU，并且GPU更适合CAE工作负载，为什么不所有软件都切换到GPU？

    挑战在于GPU和CPU的工作方式不同，并且各自需要特定的编程方法。CAE是使用数十年历史的技术开发的复杂应用程序，针对GPU调整这些程序并非易事，但

    NVIDIACUDA和OpenCL等编程工具的引入使得使用GPU加速CAE开发过程变得更加容易。

    NVIDIA在2006年率先承诺并投资CUDA，从而脱颖而出。CUDA是专门用于应用GPU加速的代码库。作为这项工作的一部分，NVIDIA与CAE开发人员合作创建了为模拟分析可视化的常见任务量身定制的工具。NVIDIA专注于更新GPU技术并将其引入专业工具开发领域。

    CAE供应商介绍GPU并找到最佳应用

    自2014年以来，每个主要的CAE供应商都在一定程度上利用了GPU加速。

    专为GPU设计的AnsysDiscovery

    与移植大型应用程序的FluentCFD工具不同，Ansys为GPU从头开始设计了Discovery。随着仿真公司转向GPU加速，挑战在于为CPU编写的一些代码可能会降低整体性能，因此Ansys做出了有意识的改变，并从头开始为GPU编写软件代码。

    Discovery技术的开发标志着对Ansys传统产品的突破，Ansys传统产品通常在设计周期结束时开发，使设计人员能够及早评估设计概念并迭代和分析模型。

    西门子使用NVIDIAAmgX构建SimcenterSTAR-CCM+

    西门子并不急于进入GPU市场，而是随着C++工具的成熟和

    随着NVIDIAVolta架构的推出，它开始进入这个市场。西门子求助于NVIDIA的AmgX来构建其SimcenterSTAR-CCM+CFD软件的基于GPU的版本。该版本侧重于非车辆空气动力学应用，因为这项工作需要较少的物理模型和相关的物理模型移码，但计算成本巨大，需要并行化，GPU加速是一个非常有吸引力的力量。

    SimcenterSTAR-CCM+基于CPU（左）和基于GPU（右）的运行之间的平均压力因子。MSC软件利用NVIDIACUDA框架进行GPU编码

    MSCSoftware编写了一款新产品MSCApexGenerativeDesign，它基于NVIDIAGPU，可以运行以前需要昂贵集群的计算。使用NVIDIACUDA框架作为起点，Hexagon开发人员能够立即开始编码。MSC的开发团队使用MSCApexGenerativeDesign、CUDA、CuBLAS和CuSPARSE在其生成设计应用程序中启用GPU加速。

    Hexagon使用GPU从头开始构建其MSCApex生成式设计产品。您不仅可以更快地生产产品，还可以集成设计、装订和分析功能。

    MSCSoftware产品管理副总裁HuguesJeancolas表示，通过将代码移至GPU，团队不仅能够提高代码效率，还降低了运行代码的成本，因为CPU内核更昂贵比GPU核心。

    由NVIDIACUDA库提供支持的DassaultSystèmesEM分析

    在CAE程序适应GPU加速的早期阶段，电磁分析一直是GPU加速的早期受益者。CST（ComputerSimulationTechnology）被DassaultSystèmes收购，其CSTStudioSuite基于非常适合GPU架构的有限差分时域仿真算法。它还受益于大GPU内存和内存带宽，并且从工作站GPU到数据中心计算GPU的扩展非常好。CST团队认为，使用NVIDIA的CUDA库将使从头开始开发新项目变得更加容易。

    使用SimuliaCSTStudioSuite进行电磁分析，以评估天线和滤波器的性能和效率。该技术用于确定电磁兼容性和干扰(EMC/EMI)以及测量人体暴露于EM场的情况。

    Altair利用GPU提高求解器性能

    Altair工程师通过引入GPU开发工具开始支持显卡。他们依靠NVIDIA持续的技术更新、开发人员工具和支持来简化流程。Altair的新EDEM多GPU求解器解决了具有数百万粒子的更大的工业问题，并且随着更多GPU卡的添加提供了性能可扩展性。

    “与用于处理相同工作负载的12个处理器相比，添加GPU后EDEM的性能提高了20倍，”AltairCFD总监/副总裁DavidCurry说。

    轮子中的2000万个粒子在EDEM多GPU解算器上运行，并根据它们的速度着色。EDEM求解器独立跟踪每个粒子及其碰撞，而GPU技术提高了计算性能并增加了待解决问题的规模。

    GPU推动了CAE的发展，在多个行业提供了丰富的应用机会

    行业用例和真实的开发人员经验表明，GPU比CPU具有性能和成本优势。此外，为渲染、CAE、AI/ML、视频编辑和游戏优化的GPU种类繁多且不断增加，确保每个强大的工作站系统都拥有强大的GPU。

    数字孪生的兴起激发了业界新的想象。在数字孪生行业，CAE可以根据物理原理预测物理世界的实际发展。各行各业的开发者可以在数字双面查看产品的运行状态，预测故障发生的时间和后果，及时改进物理世界的流程设置。.

    NVIDIA不断优化GPU性能并更新GPU架构。NVIDIAGPU，以内核或每秒浮点运算(FLOPS)衡量，继续为CAE行业提供动力，并加速和推动CAE的发展。

《加速并推进 CAE 发展》白皮书。