Benchmarking of Massively Parallel Phase-Field Codes for Directional Solidification

Este artigo apresenta um benchmark abrangente que compara um código de campo de fase com diferenças finitas acelerado por GPU (GPU-PF) e um código de elementos finitos com malha adaptativa paralelizado por CPU (PRISMS-PF) para simular a solidificação direcional de ligas Al-Cu e SCN-camphor em condições experimentalmente relevantes, validando sua precisão na previsão da morfologia dendrítica e da dinâmica da ponta, ao mesmo tempo que avalia seu desempenho computacional para apoiar fluxos de trabalho integrados de engenharia computacional de materiais.

O essencial

Imagine que você está tentando prever como um lago congelado forma cristais de gelo, ou como o metal esfria para se tornar uma viga resistente. Os cientistas usam um tipo especial de simulação computacional chamada modelo de "Campo de Fase" para fazer isso. Pense nesses modelos como previsões do tempo digitais para materiais solidificando. Em vez de prever chuva, eles preveem como pequenas estruturas em forma de árvore (chamadas dendritos) crescem dentro de um líquido enquanto ele se transforma em sólido.

No entanto, assim como existem diferentes modelos de previsão do tempo (alguns rodando em supercomputadores, outros em laptops; alguns usando matemática diferente), existem diferentes códigos computacionais para executar essas simulações. A grande questão é: Eles contam todos a mesma história?

Este artigo é uma "degustação" ou uma competição de corrida entre dois códigos computacionais muito diferentes projetados para simular como os materiais solidificam. O objetivo foi ver se eles produzem os mesmos resultados quando alimentados com a mesma receita e ingredientes exatos.

Os Dois Corredores

Os autores compararam dois "carros de corrida" distintos (códigos computacionais):

1. O GPU-PF (O Veloz): Este código é construído para GPUs (as poderosas placas de vídeo encontradas em computadores de jogos). Ele usa um método de "diferenças finitas", que é como olhar para uma grade de ladrilhos quadrados. É incrivelmente rápido e eficiente, especialmente quando você tem muitos deles trabalhando juntos. Ele foi projetado para processar números em velocidade relâmpago.
2. O PRISMS-PF (O Navegador de Precisão): Este código é construído para CPUs (os processadores padrão na maioria dos computadores) e usa um método de "elementos finitos" com malha adaptativa. Imagine isso como um mapa que dá zoom para dentro e para fora. Ele usa uma grade grosseira para o espaço vazio, mas adiciona automaticamente ladrilhos minúsculos e de alto detalhe apenas onde a ação está acontecendo (como exatamente na borda do cristal em crescimento). É mais flexível, mas exige mais poder computacional para gerenciar.

A Pista de Corrida: Condições do Mundo Real

Geralmente, esses códigos são testados em pistas simples e idealizadas (como um círculo perfeito no vácuo). Mas os autores quiseram ver como eles se desempenhavam em uma pista de corrida real e irregular.

Eles usaram dados de experimentos da NASA na Estação Espacial Internacional. No espaço, não há gravidade, então o metal líquido não se agita (convecção); ele apenas fica parado e congela puramente por difusão. Isso cria um ambiente "limpo" para testar os códigos. Eles simularam dois cenários:

• A Sprint: Liga de alumínio-cobre congelando muito rapidamente (como uma corrida de alta velocidade).
• A Maratona: Uma liga orgânica transparente congelando lentamente em microgravidade (como uma corrida de longa distância).

Os Resultados: Eles Concordam?

Os autores executaram ambos os códigos lado a lado e verificaram três coisas:

1. A Forma do Gelo: Ambos os códigos desenharam as mesmas formas de cristal?

   • Veredito: Sim. Quando as condições iniciais foram configuradas corretamente, ambos os códigos desenharam padrões de cristal quase idênticos. As "árvores" cresceram nas mesmas direções, se dividiram nos mesmos momentos e tiveram o mesmo espaçamento. Foi como dois artistas diferentes desenhando a mesma árvore a partir da mesma foto; o resultado era indistinguível.

2. A Armadilha do "Caos": Os autores descobriram uma armadilha complicada. Se você iniciar a simulação com uma oscilação muito específica e instável, o sistema torna-se caótico (como o "Efeito Borboleta"). Nesse estado, pequenas diferenças na matemática fazem com que os dois códigos diverjam drasticamente, crescendo árvores completamente diferentes.

   • Lição: Para obter uma comparação justa, você deve iniciar a corrida com uma configuração estável. Uma vez que as condições iniciais foram corrigidas, os códigos concordaram perfeitamente novamente.

3. A Velocidade: Quem terminou a corrida mais rápido?

   • Veredito: O GPU-PF (O Veloz) foi geralmente mais rápido, especialmente ao usar múltiplas GPUs trabalhando juntas. Ele lidou muito bem com a "velocidade" da simulação.
   • O PRISMS-PF (O Navegador de Precisão) foi ligeiramente mais lento, mas mostrou que podia realizar o trabalho bem em clusters de computadores padrão. Ele provou que você não precisa de uma placa de vídeo supercara para obter resultados precisos, embora leve mais tempo.

A Grande Conclusão

Este artigo é uma verificação de controle de qualidade. Ele prova que:

• Você pode confiar nesses diferentes códigos computacionais para lhe dar a mesma resposta se configurá-los corretamente.
• O "Veloz" (GPU) é ótimo para simulações massivas e rápidas.
• O "Navegador de Precisão" (CPU/Malha Adaptativa) é ótimo para flexibilidade e resolução detalhada.
• Ambos estão agora prontos para serem usados como ferramentas confiáveis para ICME (Engenharia de Materiais Computacional Integrada). Este é um quadro onde engenheiros usam modelos computacionais para projetar melhores materiais (como peças de avião mais resistentes ou baterias melhores) sem precisar construir e quebrar protótipos físicos primeiro.

Em resumo, os autores construíram uma pista de teste padronizada e mostraram que dois tipos muito diferentes de motores de simulação podem percorrê-la com a mesma precisão, dando aos cientistas confiança para usá-los no projeto de materiais do mundo real.

Resumo técnico

1. Formulação do Problema

A Engenharia Computacional Integrada de Materiais (ICME) exige a integração de modelos baseados em física em múltiplas escalas para prever propriedades dos materiais. No entanto, simular a solidificação de ligas em escalas de comprimento (milímetros) e tempo (segundos) relevantes para experimentos permanece uma barreira computacional significativa.

• O Desafio: Embora existam inúmeros códigos de Campo de Fase (PF) (por exemplo, PRISMS-PF, MOOSE, GPU-PF), eles frequentemente empregam formulações numéricas diferentes (Elementos Finitos vs. Diferenças Finitas), esquemas de discretização (adaptativos vs. uniformes) e estratégias de paralelização (CPU vs. GPU).
• A Lacuna: Os benchmarks existentes geralmente focam em casos idealizados, de pequena escala ou simplificados que não refletem os desafios computacionais e de modelagem de experimentos do mundo real. Há uma falta de comparações rigorosas, "maçã com maçã", entre frameworks modulares flexíveis e códigos otimizados para desempenho sob condições validadas experimentalmente.
• Objetivo Específico: Realizar um benchmark quantitativo de duas implementações distintas de PF de última geração—GPU-PF (diferenças finitas, malha uniforme, acelerado por GPU) e PRISMS-PF (elementos finitos, malha adaptativa, paralelizado em CPU)—sob modelos físicos idênticos e condições relevantes para experimentos.

2. Metodologia

A. Modelo Físico Unificado

Para garantir uma comparação justa, ambos os códigos foram forçados a resolver a mesma formulação quantitativa de campo de fase para solidificação de ligas diluídas:

• Modelo: O modelo de liga diluída de um lado de Echebarria et al., incorporando uma corrente anti-aprisionamento para eliminar o aprisionamento espúrio de soluto.
• Aproximação: A aproximação de "interface fina" foi utilizada para recuperar o limite de interface nítida via análise assintótica combinada.
• Física: O sistema resolve equações diferenciais parciais acopladas para o campo de fase ($\phi$) e supersaturação adimensional ($U$), governadas por um funcional de Lyapunov.
• Condições de Contorno: A Aproximação de Temperatura Congelada (FTA) foi aplicada, assumindo um gradiente de temperatura 1D fixo.

B. Sistemas de Benchmark

Dois sistemas de materiais distintos foram simulados para testar diferentes regimes:

1. Al-3wt%Cu (2D): Solidificação de alta velocidade. Utilizado como base para testes de convergência rápida em hardware de nível de consumidor.
2. SCN-0,46wt% Canfora (2D e 3D): Solidificação direcional em microgravidade baseada em experimentos da NASA DECLIC-DSI-R. Este sistema elimina a convecção impulsionada pela flutuabilidade, fornecendo um benchmark "limpo" para validar a dinâmica da ponta, o espaçamento primário e a morfologia contra dados de voo espacial.

C. Implementações Numéricas

• GPU-PF:
  • Método: Método de Diferenças Finitas (FDM) em grades estruturadas e uniformes.
  • Hardware: Acelerado por CUDA em GPUs NVIDIA V100.
  • Recursos: Utiliza um campo de fase pré-condicionado ($\psi$) para melhorar a estabilidade em resoluções grosseiras e grandes passos de tempo. Emprega discretização isotrópica em 2D para mitigar a anisotropia da rede.
• PRISMS-PF:
  • Método: Método de Elementos Finitos (FEM) com Refinamento Adaptativo de Malha (AMR).
  • Hardware: Paralelizado via MPI em CPUs AMD EPYC.
  • Recursos: Utiliza uma abordagem livre de matrizes com fatorialização de soma e quadratura de Gauss-Lobatto. Suporta geometrias arbitrárias e precisão de ordem superior.

D. Design Experimental

Os autores projetaram especificamente condições iniciais para desafiar a robustez numérica:

• Regimes Caóticos vs. Não Caóticos: Eles demonstraram que certas perturbações iniciais (comprimento de onda longo) levam a dinâmicas caóticas onde pequenas diferenças numéricas se amplificam exponencialmente, tornando a comparação direta impossível.
• Regime Estável: Eles identificaram condições iniciais específicas (perturbações de comprimento de onda mais curto) que produzem arranjos dendríticos periódicos estáveis, permitindo uma comparação quantitativa significativa do raio da ponta e do espaçamento.

3. Contribuições Principais

1. Primeiro Benchmark "Maçã com Maçã": O estudo fornece a primeira comparação rigorosa de um solver GPU de alto desempenho e codificado rigidamente (GPU-PF) contra um framework FEM adaptativo, flexível e de código aberto (PRISMS-PF), utilizando um modelo físico idêntico.
2. Validação contra Dados de Voo Espacial: Os benchmarks são validados diretamente contra dados de microgravidade da NASA DECLIC-DSI-R, indo além de benchmarks teóricos idealizados para cenários relevantes experimentalmente.
3. Insight sobre o Caos Numérico: O artigo destaca uma descoberta crítica: as condições iniciais ditam a comparabilidade. Ele demonstra que simulações de solidificação direcional podem exibir sensibilidade caótica a perturbações iniciais. Se a condição inicial excitar modos instáveis, as soluções divergem exponencialmente, tornando as comparações de código mal-postas.
4. Análise de Escalabilidade de Desempenho: Uma análise detalhada da escalabilidade forte e da eficiência computacional em diferentes arquiteturas de hardware (GPU vs. CPU) e tamanhos de domínio.

4. Resultados

A. Concordância Morfológica e Quantitativa

• Al-Cu 2D: Ambos os códigos mostraram excelente concordância na evolução da interface, incluindo divisão de pontas e ramificação lateral, validando a implementação GPU contra o resultado FEM convergido.
• SCN-Canfora 2D e 3D:
  • Ao usar condições iniciais caóticas (comprimento de onda longo), os códigos divergiram significativamente devido à sensibilidade ao ruído numérico.
  • Ao usar condições iniciais estáveis (comprimento de onda mais curto, $n=6$), os códigos alcançaram concordância quase perfeita.
  • Raio da Ponta: O raio da ponta dendrítica ($\rho$) diferiu apenas 4,3% ($\rho_{GPU} = 13,30 W_0$ vs. $\rho_{PRISMS} = 13,87 W_0$).
  • Diferença Quadrática Média (RMSD): A diferença entre os perfis longitudinais da ponta foi de $0,63 W_0$, o que é menor que um único espaçamento da grade, confirmando a convergência na escala da ponta.
  • Espaçamento Primário: Ambos os códigos previram um espaçamento primário estável de $\Lambda \approx 200 \mu m$, situando-se dentro da faixa de estabilidade prevista teoricamente para o sistema SCN-Canfora.

B. Desempenho Computacional

• GPU-PF:
  • Demonstrou vazão superior para grandes domínios.
  • Alcançou escalabilidade sublinear em configurações multi-GPU, mas manteve alta eficiência devido à capacidade de usar passos de tempo maiores (habilitados pela pré-condicionamento).
  • Para um domínio 3D completo, 4 GPUs completaram a simulação em 3,08 horas.
• PRISMS-PF:
  • Demonstrou escalabilidade quase ideal até 256 núcleos, mas a eficiência de escalabilidade caiu em contagens de núcleos mais altas (2048 núcleos) devido à sobrecarga de comunicação e complexidade da adaptabilidade da malha.
  • Requeriu significativamente mais tempo para o mesmo domínio 3D: 6,42 horas em 2048 núcleos.
  • Destaca-se na resolução de características nítidas e no manuseio de desalinhamento de interface em relação à grade, sem a necessidade de estênceis isotrópicos.

5. Significado e Conclusão

Este trabalho estabelece um framework prático para avaliar o desempenho de códigos de campo de fase em fluxos de trabalho de ICME.

• Para ICME: Valida que tanto ferramentas flexíveis de código aberto (PRISMS-PF) quanto códigos otimizados internos (GPU-PF) podem reproduzir a realidade experimental com alta fidelidade, desde que o modelo físico seja consistente e as condições iniciais sejam escolhidas para evitar divergência caótica.
• Para Desenvolvimento de Código: Sublinha as compensações na arquitetura de código:
  • GPU-PF é ideal para triagem de alto volume e grande escala onde grades uniformes são aceitáveis.
  • PRISMS-PF é superior para problemas que exigem resolução adaptativa, geometrias complexas ou precisão de ordem superior perto de interfaces.
• Perspectiva Futura: Os autores apelam por benchmarks padronizados para facilitar a integração de modelos PF com aprendizado de máquina e pipelines experimentais. Os dados e o código utilizados neste estudo estão publicamente disponíveis para apoiar a reprodutibilidade e o desenvolvimento adicional na comunidade.

Em resumo, o artigo conecta com sucesso a lacuna entre a modelagem teórica de campo de fase e a validação experimental, provando que códigos modernos massivamente paralelos podem prever com precisão a evolução microestrutural em condições de solidificação relevantes para o espaço.