Benchmarking of Massively Parallel Phase-Field Codes for Directional Solidification

Ce papier présente une évaluation comparative complète d'un code de champ de phase aux différences finies accéléré par GPU (GPU-PF) et d'un code aux éléments finis adaptatif parallélisé sur CPU (PRISMS-PF) pour simuler la solidification directionnelle d'alliages Al-Cu et SCN-camphre dans des conditions pertinentes expérimentalement, validant leur précision pour prédire la morphologie dendritique et la dynamique des pointes tout en évaluant leurs performances de calcul afin de soutenir les flux de travail d'ingénierie des matériaux computationnelle intégrée.

L'essentiel

Imaginez que vous essayez de prédire comment un lac gelé forme des cristaux de glace, ou comment le métal refroidit pour devenir une poutre solide. Les scientifiques utilisent un type spécial de simulation informatique appelé modèle de « champ de phase » pour ce faire. Considérez ces modèles comme des prévisions météorologiques numériques pour les matériaux en cours de solidification. Au lieu de prédire la pluie, ils prédisent comment de minuscules structures arborescentes (appelées dendrites) se développent à l'intérieur d'un liquide au fur et à mesure qu'il se solidifie.

Cependant, tout comme il existe différents modèles météorologiques (certains fonctionnant sur des superordinateurs, d'autres sur des ordinateurs portables ; certains utilisant des mathématiques différentes), il existe différents codes informatiques pour exécuter ces simulations. La grande question est : Racontent-ils tous la même histoire ?

Cet article est un « test de dégustation » ou une course de vitesse entre deux codes informatiques très différents conçus pour simuler la solidification des matériaux. L'objectif était de voir s'ils produisent les mêmes résultats lorsqu'ils sont alimentés par exactement la même recette et les mêmes ingrédients.

Les Deux Coureurs

Les auteurs ont comparé deux « voitures de course » distinctes (codes informatiques) :

1. Le GPU-PF (Le Sprinter) : Ce code est conçu pour les GPU (les cartes graphiques puissantes trouvées dans les ordinateurs de jeu). Il utilise une méthode de « différences finies », qui ressemble à l'observation d'une grille de tuiles carrées. Il est incroyablement rapide et efficace, surtout lorsque vous en avez beaucoup travaillant ensemble. Il est conçu pour traiter des nombres à la vitesse de l'éclair.
2. Le PRISMS-PF (Le Navigateur de Précision) : Ce code est conçu pour les CPU (les processeurs standards de la plupart des ordinateurs) et utilise une méthode d'« éléments finis » avec maillage adaptatif. Imaginez cela comme une carte qui zoome dedans et dehors. Il utilise une grille grossière pour l'espace vide mais ajoute automatiquement de minuscules tuiles à haute résolution uniquement là où l'action se produit (comme juste au bord du cristal en croissance). Il est plus flexible mais nécessite plus de puissance de calcul pour être géré.

La Piste de Course : Conditions du Monde Réel

Habituellement, ces codes sont testés sur des pistes simples et idéalisées (comme un cercle parfait dans le vide). Mais les auteurs voulaient voir comment ils se comportaient sur une piste de course réelle et accidentée.

Ils ont utilisé des données provenant des expériences de la NASA sur la Station spatiale internationale. Dans l'espace, il n'y a pas de gravité, donc le métal liquide ne tourbillonne pas (convection) ; il reste simplement là et gèle purement par diffusion. Cela crée un environnement « propre » pour tester les codes. Ils ont simulé deux scénarios :

• Le Sprint : Congélation très rapide d'un alliage aluminium-cuivre (comme une course à grande vitesse).
• Le Marathon : Congélation lente d'un alliage organique transparent en microgravité (comme une course de longue distance).

Les Résultats : Sont-ils d'accord ?

Les auteurs ont exécuté les deux codes côte à côte et ont vérifié trois choses :

1. La Forme de la Glace : Les deux codes ont-ils dessiné les mêmes formes de cristaux ?

   • Verdict : Oui. Lorsque les conditions de départ étaient correctement configurées, les deux codes ont dessiné des motifs de cristaux presque identiques. Les « arbres » poussaient dans les mêmes directions, se divisaient aux mêmes moments et avaient le même espacement. C'était comme si deux artistes différents dessinaient le même arbre à partir de la même photo ; le résultat était indiscernable.

2. Le Piège du « Chaos » : Les auteurs ont découvert un piège délicat. Si vous démarrez la simulation avec un balancement très spécifique et instable, le système devient chaotique (comme l'« Effet Papillon »). Dans cet état, de minuscules différences dans les mathématiques font diverger les deux codes de manière sauvage, faisant pousser des arbres complètement différents.

   • Leçon : Pour obtenir une comparaison équitable, vous devez démarrer la course avec une configuration stable. Une fois qu'ils ont corrigé les conditions de départ, les codes ont à nouveau parfaitement convenu.

3. La Vitesse : Qui a terminé la course plus vite ?

   • Verdict : Le GPU-PF (Sprinter) était généralement plus rapide, surtout lorsqu'il utilisait plusieurs GPU travaillant ensemble. Il gère très bien la « vitesse » de la simulation.
   • Le PRISMS-PF (Navigateur de Précision) était légèrement plus lent mais a montré qu'il pouvait bien faire le travail sur des clusters informatiques standards. Il a prouvé que vous n'avez pas besoin d'une carte graphique super coûteuse pour obtenir des résultats précis, bien que cela prenne plus de temps.

La Grande Conclusion

Cet article est un contrôle qualité. Il prouve que :

• Vous pouvez faire confiance à ces différents codes informatiques pour vous donner la même réponse si vous les configurez correctement.
• Le « Sprinter » (GPU) est excellent pour les simulations massives et rapides.
• Le « Navigateur de Précision » (CPU/Maillage adaptatif) est excellent pour la flexibilité et la résolution détaillée.
• Les deux sont maintenant prêts à être utilisés comme des outils fiables pour l'ICME (Ingénierie des Matériaux par Calcul Intégré). Il s'agit d'un cadre où les ingénieurs utilisent des modèles informatiques pour concevoir de meilleurs matériaux (comme des pièces d'avion plus solides ou de meilleures batteries) sans avoir à construire et à briser des prototypes physiques au préalable.

En bref, les auteurs ont construit une piste d'essai standardisée et ont montré que deux types très différents de moteurs de simulation peuvent la parcourir avec la même précision, donnant aux scientifiques la confiance nécessaire pour les utiliser dans la conception de matériaux du monde réel.

Résumé technique

1. Énoncé du problème

L'Ingénierie Intégrée des Matériaux par le Calcul (ICME) nécessite l'intégration de modèles basés sur la physique à travers plusieurs échelles pour prédire les propriétés des matériaux. Cependant, la simulation de la solidification des alliages à des échelles de longueur (millimètres) et de temps (secondes) pertinentes pour l'expérience demeure un obstacle computationnel majeur.

• Le Défi : Bien que de nombreux codes de champ de phase (PF) existent (par exemple, PRISMS-PF, MOOSE, GPU-PF), ils emploient souvent différentes formulations numériques (éléments finis vs différences finies), schémas de discrétisation (adaptatifs vs uniformes) et stratégies de parallélisation (CPU vs GPU).
• Le Vide : Les benchmarks existants se concentrent généralement sur des cas idéalisés, à petite échelle ou simplifiés, qui ne reflètent pas les défis computationnels et de modélisation des expériences réelles. Il manque des comparaisons rigoureuses, « pomme à pomme », entre des cadres modulaires flexibles et des codes optimisés pour la performance, dans des conditions validées expérimentalement.
• Objectif Spécifique : Évaluer quantitativement deux implémentations PF distinctes de l'état de l'art — GPU-PF (différences finies, maillage uniforme, accéléré par GPU) et PRISMS-PF (éléments finis, maillage adaptatif, parallélisé sur CPU) — sous des modèles physiques identiques et des conditions pertinentes pour l'expérience.

2. Méthodologie

A. Modèle Physique Unifié

Pour garantir une comparaison équitable, les deux codes ont été contraints de résoudre la même formulation quantitative de champ de phase pour la solidification d'alliages dilués :

• Modèle : Le modèle d'alliage dilué unilatéral d'Echebarria et al., intégrant un courant anti-piégeage pour éliminer le piégeage de soluté parasite.
• Approximation : L'approximation « d'interface mince » a été utilisée pour retrouver la limite d'interface nette via une analyse asymptotique appariée.
• Physique : Le système résout des équations aux dérivées partielles couplées pour le champ de phase ($\phi$) et la sursaturation sans dimension ($U$), régies par un fonctionnel de Lyapunov.
• Conditions aux Limites : L'Approximation de Température Gelée (FTA) a été appliquée, en supposant un gradient de température 1D fixe.

B. Systèmes de Benchmark

Deux systèmes matériels distincts ont été simulés pour tester différents régimes :

1. Al-3%wt Cu (2D) : Solidification à haute vitesse. Utilisé comme référence pour tester la convergence rapide sur du matériel grand public.
2. SCN-0,46%wt Camphre (2D et 3D) : Solidification directionnelle en microgravité basée sur les expériences NASA DECLIC-DSI-R. Ce système élimine la convection induite par la flottabilité, fournissant un benchmark « propre » pour valider la dynamique de la pointe, l'espacement primaire et la morphologie par rapport aux données de vol spatial.

C. Implémentations Numériques

• GPU-PF :
  • Méthode : Méthode des Différences Finies (FDM) sur des grilles structurées et uniformes.
  • Matériel : Accélération CUDA sur des GPU NVIDIA V100.
  • Fonctionnalités : Utilise un champ de phase préconditionné ($\psi$) pour améliorer la stabilité aux résolutions grossières et aux grands pas de temps. Emploie une discrétisation isotrope en 2D pour atténuer l'anisotropie du réseau.
• PRISMS-PF :
  • Méthode : Méthode des Éléments Finis (FEM) avec Raffinement Adaptatif de Maillage (AMR).
  • Matériel : Parallélisation MPI sur des CPU AMD EPYC.
  • Fonctionnalités : Utilise une approche sans matrice avec factorisation de somme et quadrature de Gauss-Lobatto. Prend en charge des géométries arbitraires et une précision d'ordre supérieur.

D. Conception Expérimentale

Les auteurs ont spécifiquement conçu des conditions initiales pour défier la robustesse numérique :

• Régimes Chaotiques vs Non-Chaotiques : Ils ont démontré que certaines perturbations initiales (longue longueur d'onde) conduisent à une dynamique chaotique où de petites différences numériques s'amplifient de manière exponentielle, rendant la comparaison directe impossible.
• Régime Stable : Ils ont identifié des conditions initiales spécifiques (perturbations de longueur d'onde plus courte) qui produisent des réseaux dendritiques stables et périodiques, permettant une comparaison quantitative significative du rayon de la pointe et de l'espacement.

3. Contributions Clés

1. Premier Benchmark « Pomme à Pomme » : L'étude fournit la première comparaison rigoureuse d'un solveur GPU haute performance, codé en dur (GPU-PF), avec un cadre FEM adaptatif flexible et open-source (PRISMS-PF), en utilisant un modèle physique identique.
2. Validation par rapport aux Données de Vol Spatial : Les benchmarks sont directement validés par les données de microgravité de la NASA DECLIC-DSI-R, allant au-delà des benchmarks théoriques idéalisés pour atteindre des scénarios pertinents pour l'expérience.
3. Insight sur le Chaos Numérique : L'article met en évidence une découverte critique : les conditions initiales dictent la comparabilité. Il démontre que les simulations de solidification directionnelle peuvent présenter une sensibilité chaotique aux perturbations initiales. Si la condition initiale excite des modes instables, les solutions divergent exponentiellement, rendant les comparaisons de codes mal posées.
4. Analyse de l'Évolutivité des Performances : Une analyse détaillée de l'évolutivité forte et de l'efficacité computationnelle à travers différentes architectures matérielles (GPU vs CPU) et tailles de domaine.

4. Résultats

A. Accord Morphologique et Quantitatif

• Al-Cu 2D : Les deux codes ont montré un excellent accord dans l'évolution de l'interface, y compris la fission de la pointe et la ramification latérale, validant l'implémentation GPU par rapport au résultat FEM convergé.
• SCN-Camphre 2D et 3D :
  • Lors de l'utilisation de conditions initiales chaotiques (longue longueur d'onde), les codes ont divergé significativement en raison de la sensibilité au bruit numérique.
  • Lors de l'utilisation de conditions initiales stables (longueur d'onde plus courte, $n=6$), les codes ont atteint un accord presque parfait.
  • Rayon de la Pointe : Le rayon de la pointe dendritique ($\rho$) ne différait que de 4,3 % ($\rho_{GPU} = 13,30 W_0$ contre $\rho_{PRISMS} = 13,87 W_0$).
  • Différence Quadratique Moyenne (RMSD) : La différence entre les profils de pointe longitudinaux était de $0,63 W_0$, soit moins d'un espacement de grille, confirmant la convergence à l'échelle de la pointe.
  • Espacement Primaire : Les deux codes ont prédit un espacement primaire stable de $\Lambda \approx 200 \mu m$, tombant dans la bande de stabilité théoriquement prédite pour le système SCN-Camphre.

B. Performance Computationnelle

• GPU-PF :
  • A démontré un débit supérieur pour les grands domaines.
  • A atteint une évolutivité sous-linéaire sur des configurations multi-GPU, mais a maintenu une haute efficacité grâce à la capacité d'utiliser des pas de temps plus grands (permis par le préconditionnement).
  • Pour un domaine 3D complet, 4 GPU ont terminé la simulation en 3,08 heures.
• PRISMS-PF :
  • A démontré une évolutivité près de l'idéal jusqu'à 256 cœurs, mais l'efficacité de mise à l'échelle a chuté à des nombres de cœurs plus élevés (2048 cœurs) en raison de la surcharge de communication et de la complexité de l'adaptativité du maillage.
  • A nécessité beaucoup plus de temps pour le même domaine 3D : 6,42 heures sur 2048 cœurs.
  • Excellente capacité à résoudre des caractéristiques nettes et à gérer le désalignement de l'interface par rapport à la grille sans nécessiter de stencils isotropes.

5. Signification et Conclusion

Ce travail établit un cadre pratique pour évaluer les performances des codes de champ de phase dans les flux de travail ICME.

• Pour l'ICME : Il valide que les outils open-source flexibles (PRISMS-PF) et les codes internes optimisés (GPU-PF) peuvent reproduire la réalité expérimentale avec une haute fidélité, à condition que le modèle physique soit cohérent et que les conditions initiales soient choisies pour éviter une divergence chaotique.
• Pour le Développement de Codes : Il souligne les compromis dans l'architecture des codes :
  • GPU-PF est idéal pour le criblage à haut débit et à grande échelle où des grilles uniformes sont acceptables.
  • PRISMS-PF est supérieur pour les problèmes nécessitant une résolution adaptative, des géométries complexes ou une précision d'ordre élevé près des interfaces.
• Perspectives Futures : Les auteurs appellent à des benchmarks standardisés pour faciliter l'intégration des modèles PF avec l'apprentissage automatique et les pipelines expérimentaux. Les données et le code utilisés dans cette étude sont disponibles publiquement pour soutenir la reproductibilité et le développement ultérieur au sein de la communauté.

En résumé, l'article comble avec succès le fossé entre la modélisation théorique du champ de phase et la validation expérimentale, prouvant que les codes massivement parallèles modernes peuvent prédire avec précision l'évolution microstructurale dans des conditions de solidification pertinentes pour l'espace.