Benchmarking of Massively Parallel Phase-Field Codes for Directional Solidification

Dieser Beitrag stellt einen umfassenden Benchmark vor, der einen GPU-beschleunigten Finite-Differenzen-Phasenfeld-Code (GPU-PF) und einen CPU-parallelisierten Finite-Elemente-Code mit adaptivem Gitter (PRISMS-PF) zum Simulieren der gerichteten Erstarrung von Al-Cu- und SCN-Kampfer-Legierungen unter experimentell relevanten Bedingungen vergleicht, ihre Genauigkeit bei der Vorhersage dendritischer Morphologie und Spitzen-Dynamik validiert und ihre Rechenleistung bewertet, um integrierte rechnergestützte Werkstoffentwicklungs-Workflows zu unterstützen.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen vorherzusagen, wie ein gefrorener See Eiskristalle bildet oder wie Metall abkühlt, um zu einem starken Balken zu werden. Wissenschaftler verwenden eine spezielle Art von Computersimulation, ein sogenanntes „Phasenfeld"-Modell, um dies zu tun. Betrachten Sie diese Modelle als digitale Wettervorhersagen für erstarrende Materialien. Anstatt Regen vorherzusagen, sagen sie voraus, wie winzige baumartige Strukturen (sogenannte Dendriten) in einer Flüssigkeit wachsen, während sie fest wird.

Allerdings gibt es, genau wie bei verschiedenen Wettermodellen (einige laufen auf Supercomputern, andere auf Laptops; einige verwenden unterschiedliche Mathematik), verschiedene Computercodes, um diese Simulationen durchzuführen. Die große Frage lautet: Erzählen sie alle dieselbe Geschichte?

Dieser Artikel ist ein „Geschmackstest" oder ein Rennwettbewerb zwischen zwei sehr unterschiedlichen Computercodes, die entwickelt wurden, um zu simulieren, wie Materialien erstarren. Das Ziel war es zu prüfen, ob sie die gleichen Ergebnisse liefern, wenn sie mit exakt demselben Rezept und denselben Zutaten gefüttert werden.

Die zwei Rennfahrer

Die Autoren verglichen zwei unterschiedliche „Rennwagen" (Computercodes):

1. Der GPU-PF (Der Geschwindigkeitsrekordler): Dieser Code ist für GPUs (die leistungsstarken Grafikkarten in Gaming-Computern) gebaut. Er verwendet eine „Finite-Differenzen"-Methode, die wie das Betrachten eines Rasters aus quadratischen Fliesen ist. Er ist unglaublich schnell und effizient, besonders wenn viele davon zusammenarbeiten. Er ist darauf ausgelegt, Zahlen mit Blitzgeschwindigkeit zu verarbeiten.
2. Der PRISMS-PF (Der Präzisionsnavigator): Dieser Code ist für CPUs (die Standardprozessoren in den meisten Computern) gebaut und verwendet eine „Finite-Elemente"-Methode mit adaptiver Vernetzung. Stellen Sie sich dies wie eine Karte vor, die herein- und herauszoomt. Er verwendet ein grobes Gitter für leeren Raum, fügt aber automatisch winzige, hochdetaillierte Fliesen nur dort hinzu, wo die Aktion stattfindet (wie direkt am Rand des wachsenden Kristalls). Er ist flexibler, erfordert aber mehr Rechenleistung zur Verwaltung.

Die Rennstrecke: Realistische Bedingungen

Normalerweise werden diese Codes auf einfachen, idealisierten Strecken getestet (wie einem perfekten Kreis im Vakuum). Aber die Autoren wollten sehen, wie sie auf einer echten, holprigen Rennstrecke abschneiden.

Sie verwendeten Daten aus NASA-Experimenten auf der Internationalen Raumstation. Im Weltraum gibt es keine Schwerkraft, daher wirbelt das flüssige Metall nicht herum (Konvektion); es sitzt einfach da und gefriert rein durch Diffusion. Dies schafft eine „saubere" Umgebung, um die Codes zu testen. Sie simulierten zwei Szenarien:

• Der Sprint: Eine Aluminium-Kupfer-Legierung, die sehr schnell erstarrt (wie ein Hochgeschwindigkeitsrennen).
• Der Marathon: Eine transparente organische Legierung, die in der Mikrogravitation langsam erstarrt (wie ein Langstreckenlauf).

Die Ergebnisse: Stimmen sie überein?

Die Autoren ließen beide Codes nebeneinander laufen und prüften drei Dinge:

1. Die Form des Eises: Zogen beide Codes die gleichen Kristallformen?

   • Urteil: Ja. Wenn die Anfangsbedingungen korrekt eingestellt waren, zeichneten beide Codes nahezu identische Kristallmuster. Die „Bäume" wuchsen in die gleichen Richtungen, teilten sich zur gleichen Zeit und hatten den gleichen Abstand. Es war wie bei zwei verschiedenen Künstlern, die denselben Baum aus demselben Foto zeichnen; das Ergebnis war nicht zu unterscheiden.

2. Die „Chaos"-Falle: Die Autoren entdeckten eine tückische Falle. Wenn Sie die Simulation mit einer sehr spezifischen, instabilen Wackelbewegung starten, wird das System chaotisch (wie der „Schmetterlingseffekt"). In diesem Zustand führen winzige Unterschiede in der Mathematik dazu, dass sich die beiden Codes wild voneinander entfernen und völlig unterschiedliche Bäume wachsen.

   • Lehre: Um einen fairen Vergleich zu erhalten, müssen Sie das Rennen mit einem stabilen Setup starten. Sobald sie die Anfangsbedingungen korrigierten, stimmten die Codes wieder perfekt überein.

3. Die Geschwindigkeit: Wer beendete das Rennen schneller?

   • Urteil: Der GPU-PF (Geschwindigkeitsrekordler) war im Allgemeinen schneller, insbesondere bei der Nutzung mehrerer GPUs im Verbund. Er bewältigte die „Geschwindigkeit" der Simulation sehr gut.
   • Der PRISMS-PF (Präzisionsnavigator) war etwas langsamer, zeigte aber, dass er die Aufgabe auf Standard-Computerclustern gut bewältigen kann. Er bewies, dass man keine extrem teure Grafikkarte benötigt, um genaue Ergebnisse zu erzielen, obwohl es mehr Zeit in Anspruch nimmt.

Die große Erkenntnis

Dieser Artikel ist eine Qualitätskontrolle. Er beweist, dass:

• Man diesen verschiedenen Computercodes vertrauen kann, wenn sie korrekt eingerichtet sind, dass sie dieselbe Antwort liefern.
• Der „Geschwindigkeitsrekordler" (GPU) großartig für massive, schnelle Simulationen ist.
• Der „Präzisionsnavigator" (CPU/adaptiv) großartig für Flexibilität und detaillierte Auflösung ist.
• Beide nun als zuverlässige Werkzeuge für ICME (Integrierte Rechnergestützte Werkstofftechnik) eingesetzt werden können. Dies ist ein Rahmenwerk, in dem Ingenieure Computermodelle nutzen, um bessere Materialien zu entwerfen (wie stärkere Flugzeugteile oder bessere Batterien), ohne zuerst physische Prototypen bauen und zerstören zu müssen.

Kurz gesagt, bauten die Autoren eine standardisierte Teststrecke und zeigten, dass zwei sehr unterschiedliche Arten von Simulationsmotoren diese mit derselben Präzision fahren können, was Wissenschaftlern das Vertrauen gibt, sie für das reale Materialdesign einzusetzen.

Technische Zusammenfassung

1. Problemstellung

Die Integrierte Rechnergestützte Werkstofftechnik (ICME) erfordert die Integration physikbasierter Modelle über mehrere Skalen hinweg, um Materialeigenschaften vorherzusagen. Die Simulation der Legierungserstarrung auf experimentell relevanten Längen- (Millimeter) und Zeitskalen (Sekunden) bleibt jedoch eine erhebliche rechnerische Hürde.

• Die Herausforderung: Zwar existieren zahlreiche Phasenfeld- (PF) Codes (z. B. PRISMS-PF, MOOSE, GPU-PF), doch verwenden sie häufig unterschiedliche numerische Formulierungen (Finite-Elemente-Methode vs. Finite-Differenzen-Methode), Diskretisierungsschemata (adaptiv vs. uniform) und Parallelisierungsstrategien (CPU vs. GPU).
• Die Lücke: Bestehende Benchmarks konzentrieren sich typischerweise auf idealisierte, kleinmaßstäbliche oder vereinfachte Fälle, die die rechnerischen und modellierungstechnischen Herausforderungen realer Experimente nicht widerspiegeln. Es fehlt an rigorosen, „Apfel-zu-Apfel"-Vergleichen zwischen flexiblen modularen Frameworks und leistungsoptimierten Codes unter experimentell validierten Bedingungen.
• Spezifisches Ziel: Die quantitative Benchmarking zweier unterschiedlicher, modernster PF-Implementierungen – GPU-PF (Finite-Differenzen, uniformes Gitter, GPU-beschleunigt) und PRISMS-PF (Finite-Elemente, adaptives Gitter, CPU-parallelisiert) – unter identischen physikalischen Modellen und experimentell relevanten Bedingungen.

2. Methodik

A. Vereinheitlichtes physikalisches Modell

Um einen fairen Vergleich zu gewährleisten, wurden beide Codes gezwungen, dieselbe quantitative Phasenfeldformulierung für die Erstarrung verdünnter Legierungen zu lösen:

• Modell: Das einseitige Modell für verdünnte Legierungen von Echebarria et al., das einen Anti-Trapping-Strom zur Eliminierung von artifizieller Solut-Einfangung integriert.
• Approximation: Die „düne Grenzfläche"-Approximation wurde verwendet, um den Grenzflächen-Limit über eine angepasste asymptotische Analyse wiederherzustellen.
• Physik: Das System löst gekoppelte partielle Differentialgleichungen für das Phasenfeld ($\phi$) und die dimensionslose Übersättigung ($U$), die durch ein Lyapunov-Funktional gesteuert werden.
• Randbedingungen: Die Annahme einer eingefrorenen Temperatur (Frozen Temperature Approximation, FTA) wurde angewendet, wobei ein fester 1D-Temperaturgradient angenommen wurde.

B. Benchmarksysteme

Zwei unterschiedliche Materialsysteme wurden simuliert, um verschiedene Regime zu testen:

1. Al-3Gew%Cu (2D): Hochgeschwindigkeits-Erstarrung. Diente als Basislinie für schnelle Konvergenztests auf Hardware für den Consumer-Bereich.
2. SCN-0,46Gew% Campher (2D & 3D): Mikrogravitations-Richterstarrung basierend auf NASA DECLIC-DSI-R-Experimenten. Dieses System eliminiert konvektionsgetriebene Strömungen und bietet einen „sauberen" Benchmark zur Validierung von Spitzen-Dynamik, primärem Abstand und Morphologie gegenüber Weltraumflugdaten.

C. Numerische Implementierungen

• GPU-PF:
  • Methode: Finite-Differenzen-Methode (FDM) auf strukturierten, uniformen Gittern.
  • Hardware: CUDA-beschleunigt auf NVIDIA V100 GPUs.
  • Funktionen: Verwendet ein vorbedingtes Phasenfeld ($\psi$) zur Verbesserung der Stabilität bei groben Auflösungen und großen Zeitschritten. Setzt in 2D eine isotrope Diskretisierung ein, um Gitteranisotropie zu mindern.
• PRISMS-PF:
  • Methode: Finite-Elemente-Methode (FEM) mit Adaptiver Gitterverfeinerung (AMR).
  • Hardware: MPI-parallelisiert auf AMD EPYC CPUs.
  • Funktionen: Verwendet einen matrixfreien Ansatz mit Summenfaktorisierung und Gauss-Lobatto-Quadratur. Unterstützt beliebige Geometrien und Genauigkeiten höherer Ordnung.

D. Experimentelles Design

Die Autoren entwarfen spezifisch Anfangsbedingungen, um die numerische Robustheit herauszufordern:

• Chaotische vs. nicht-chaotische Regime: Sie zeigten, dass bestimmte Anfangsstörungen (langwellig) zu chaotischer Dynamik führen, bei der kleine numerische Unterschiede exponentiell verstärkt werden, was einen direkten Vergleich unmöglich macht.
• Stabiles Regime: Sie identifizierten spezifische Anfangsbedingungen (kürzerwellige Störungen), die stabile, periodische dendritische Arrays ergeben und einen aussagekräftigen quantitativen Vergleich von Spitzenradius und Abstand ermöglichen.

3. Hauptbeiträge

1. Erster „Apfel-zu-Apfel"-Benchmark: Die Studie liefert den ersten rigorosen Vergleich eines leistungsstarken, fest codierten GPU-Lösers (GPU-PF) mit einem flexiblen, quelloffenen, adaptiven FEM-Framework (PRISMS-PF) unter Verwendung eines identischen physikalischen Modells.
2. Validierung gegen Weltraumflugdaten: Die Benchmarks werden direkt gegen die Mikrogravitationsdaten von NASA's DECLIC-DSI-R validiert und gehen damit über idealisierte theoretische Benchmarks hinaus zu experimentell relevanten Szenarien.
3. Einblick in numerisches Chaos: Das Papier hebt eine kritische Erkenntnis hervor: Anfangsbedingungen bestimmen die Vergleichbarkeit. Es wird gezeigt, dass Simulationen der Richterstarrung eine chaotische Sensitivität gegenüber Anfangsstörungen aufweisen können. Wenn die Anfangsbedingung instabile Moden anregt, divergieren die Lösungen exponentiell, was Code-Vergleiche schlecht gestellt macht.
4. Leistungs-Skalierungsanalyse: Eine detaillierte Analyse der starken Skalierung und der Recheneffizienz über verschiedene Hardware-Architekturen (GPU vs. CPU) und Domänengrößen hinweg.

4. Ergebnisse

A. Morphologische und quantitative Übereinstimmung

• 2D Al-Cu: Beide Codes zeigten eine hervorragende Übereinstimmung in der Grenzflächenentwicklung, einschließlich Spitzenaufspaltung und Seitenverzweigung, wodurch die GPU-Implementierung gegen das konvergierte FEM-Ergebnis validiert wurde.
• 2D & 3D SCN-Campher:
  • Bei Verwendung chaotischer Anfangsbedingungen (lange Wellenlänge) divergierten die Codes aufgrund der Empfindlichkeit gegenüber numerischem Rauschen erheblich.
  • Bei Verwendung stabiler Anfangsbedingungen (kürzere Wellenlänge, $n=6$) erreichten die Codes eine nahezu perfekte Übereinstimmung.
  • Spitzenradius: Der Dendriten-Spitzenradius ($\rho$) unterschied sich nur um 4,3% ($\rho_{GPU} = 13,30 W_0$ vs. $\rho_{PRISMS} = 13,87 W_0$).
  • Quadratischer Mittelwert der Differenz (RMSD): Der Unterschied zwischen den longitudinalen Spitzenprofilen betrug $0,63 W_0$, was weniger als ein einzelner Gitterabstand ist und die Konvergenz auf der Spitzenskala bestätigt.
  • Primärer Abstand: Beide Codes sagten einen stabilen primären Abstand von $\Lambda \approx 200 \mu m$ voraus, der innerhalb des theoretisch vorhergesagten Stabilitätsbands für das SCN-Campher-System liegt.

B. Rechenleistung

• GPU-PF:
  • Zeigte eine überlegene Durchsatzleistung für große Domänen.
  • Erzielte eine sublineare Skalierung auf Multi-GPU-Setups, behielt jedoch eine hohe Effizienz bei, da größere Zeitschritte möglich waren (ermöglicht durch Vorbedingung).
  • Für eine vollständige 3D-Domäne schlossen 4 GPUs die Simulation in 3,08 Stunden ab.
• PRISMS-PF:
  • Zeigte eine nahezu ideale Skalierung bis zu 256 Kernen, doch die Skalierungseffizienz sank bei höheren Kernzahlen (2048 Kerne) aufgrund von Kommunikationsaufwand und Komplexität der Gitteranpassung.
  • Benötigte für dieselbe 3D-Domäne deutlich mehr Zeit: 6,42 Stunden auf 2048 Kernen.
  • Übertrifft bei der Auflösung scharfer Merkmale und beim Umgang mit Grenzflächenfehlorientierung relativ zum Gitter, ohne isotrope Stencils zu benötigen.

5. Bedeutung und Fazit

Diese Arbeit etabliert einen praktischen Rahmen zur Bewertung der Leistung von Phasenfeld-Codes in ICME-Workflows.

• Für ICME: Sie validiert, dass sowohl flexible quelloffene Tools (PRISMS-PF) als auch optimierte hausinterne Codes (GPU-PF) die experimentelle Realität mit hoher Genauigkeit reproduzieren können, sofern das physikalische Modell konsistent ist und Anfangsbedingungen gewählt werden, die eine chaotische Divergenz vermeiden.
• Für die Code-Entwicklung: Sie unterstreicht die Kompromisse in der Code-Architektur:
  • GPU-PF ist ideal für hochdurchsatzfähige, großskalige Screening-Prozesse, bei denen uniforme Gitter akzeptabel sind.
  • PRISMS-PF ist überlegen für Probleme, die adaptive Auflösung, komplexe Geometrien oder Genauigkeiten höherer Ordnung in der Nähe von Grenzflächen erfordern.
• Ausblick: Die Autoren fordern standardisierte Benchmarks, um die Integration von PF-Modellen mit maschinellem Lernen und experimentellen Pipelines zu erleichtern. Die in dieser Studie verwendeten Daten und Codes sind öffentlich verfügbar, um Reproduzierbarkeit und weitere Entwicklung in der Gemeinschaft zu unterstützen.

Zusammenfassend überbrückt das Papier erfolgreich die Lücke zwischen theoretischer Phasenfeldmodellierung und experimenteller Validierung und beweist, dass moderne massiv parallele Codes die mikrostrukturelle Entwicklung unter für den Weltraum relevanten Erstarrungsbedingungen genau vorhersagen können.