MARUT: An Exascale-Ready, GPU-Accelerated High-Order CFD Framework with AMR for High-Speed Flows and Finite-Rate Chemistry

Este artigo apresenta o MARUT, um framework de CFD de alta ordem escalável e acelerado por GPU, com capacidades de refinamento adaptativo de malha e cinética química de taxa finita, projetado para fornecer simulações de alta fidelidade de escoamentos compressíveis e reativos em regimes subsônicos a hipersônicos em arquiteturas de supercomputação exascale.

O essencial

Imagine que você está tentando simular um furacão, um jato supersônico quebrando a barreira do som ou um foguete reentrando na atmosfera. Estes são eventos incrivelmente complexos onde o ar se move em diferentes velocidades, aquece, esfria e até mesmo muda sua composição química (como oxigênio se transformando em óxidos de nitrogênio). Para prever esses eventos com precisão, os cientistas utilizam a "Dinâmica dos Fluidos Computacional" (CFD), que é essencialmente uma caixa de areia digital gigante onde eles resolvem equações matemáticas para observar como os fluidos se comportam.

O problema é que essas simulações são como tentar contar cada grão de areia em uma praia enquanto a maré sobe. Isso exige tanta potência de computação que computadores tradicionais (CPUs) frequentemente ficam sobrecarregados, especialmente quando você precisa de alto detalhe (alta fidelidade) e velocidade.

Apresentamos o MARUT.

O artigo introduz o MARUT, um novo motor de simulação super-rápido construído especificamente para chips de computador modernos e potentes chamados GPUs (o mesmo tipo de chip que alimenta videogames de alta performance e IA). Pense no MARUT não como um único trabalhador, mas como um exército de milhares de trabalhadores minúsculos e rápidos, todos fazendo sua parte simultaneamente.

Veja como o MARUT funciona, decomposto em conceitos simples:

1. A Câmera de "Zoom Inteligente" (Refinamento Adaptativo de Malha)

Imagine que você está tirando uma foto de um carro de corrida. Se você afastar demais, não consegue ver os detalhes do motor. Se aproximar demais, perde de vista o carro inteiro.

• Antigo método: Você tira uma foto com o mesmo nível de detalhe em todos os lugares. Para ver o motor, você precisa fazer a imagem inteira incrivelmente de alta resolução, o que leva uma eternidade para processar.
• Método do MARUT: Ele utiliza Refinamento Adaptativo de Malha (AMR). Age como uma câmera inteligente que dá zoom automaticamente apenas onde as coisas estão acontecendo rápido ou mudando drasticamente (como uma onda de choque ou um incêndio). Em áreas calmas, ela afasta o zoom para economizar tempo. Esse "zoom inteligente" ocorre inteiramente na memória da GPU, para que não desperdice tempo enviando dados de ida e volta para o computador principal.

2. A "Lente de Alta Resolução" (Métodos de Alta Ordem)

A maioria das simulações usa uma grade que é um pouco como uma imagem pixelada de baixa resolução. Para obter uma curva suave, você precisa de milhões de pixels.

• Método do MARUT: Ele utiliza métodos de Galerkin Descontínuo Espectral de Alta Ordem (DG). Pense nisso como usar uma lente de alta qualidade e suave em vez de pixels. Ele pode representar curvas e ondas com muito menos "blocos" de dados, mantendo-se incrivelmente preciso. Isso significa que ele consegue capturar as bordas afiadas de uma onda de choque sem borrá-las.

3. A "Fábrica Super-Rápida" (Aceleração por GPU)

Um computador tradicional (CPU) é como um professor brilhante que pode resolver problemas muito difíceis um por um, mas lentamente. Uma GPU é como o piso de uma fábrica com milhares de trabalhadores em linhas de montagem.

• A Alegação do Artigo: O MARUT foi construído do zero para rodar nesses trabalhadores de "linha de montagem". Ele mantém todos os dados na GPU para que os trabalhadores nunca precisem parar para pedir instruções ao "professor" (a CPU). Isso permite que ele execute simulações até 20 vezes mais rápido do que os métodos tradicionais no mesmo tamanho de problema.

4. Lidando com a "Cozinha Química" (Química de Taxa Finita)

Quando o ar fica superaquecido (como em um jato hipersônico), as moléculas começam a se quebrar e reagir. É como uma cozinha química onde os ingredientes trocam de parceiros constantemente.

• A Alegação do Artigo: O MARUT não simula apenas o vento; ele simula a química. Ele rastreia como diferentes gases reagem, como o calor é armazenado em moléculas vibrantes e como a energia é trocada. Ele utiliza uma técnica inteligente de "divisão" para lidar com essas reações químicas rápidas sem desacelerar toda a simulação.

5. O "Trabalho em Equipe" (Escalabilidade Multi-GPU)

Às vezes, um problema é grande demais até para uma única GPU super-rápida. Você precisa conectar muitas GPUs juntas.

• A Alegação do Artigo: O MARUT foi projetado para permitir que essas GPUs se comuniquem entre si de forma eficiente. Ele usa uma estratégia onde as GPUs realizam seu trabalho matemático enquanto, simultaneamente, passam bilhetes (dados) para seus vizinhos. Isso garante que, mesmo ao usar quatro ou mais GPUs, o sistema não fique preso esperando por dados. O artigo mostra que ele mantém alta eficiência, o que significa que adicionar mais GPUs realmente torna o trabalho mais rápido, não mais lento.

Em O Que Eles O Testaram?

Os autores não apenas o construíram; eles o testaram contra cenários do mundo real para provar que funciona:

• Cilindro Supersônico: Simulando o ar correndo ao redor de um cilindro a 3 vezes a velocidade do som. O MARUT capturou corretamente as ondas de choque e a esteira turbulenta giratória atrás dele.
• Vórtice de Taylor-Green: Um teste clássico para turbulência. O MARUT mostrou que conseguia lidar com o turbilhão caótico do ar sem perder energia ou precisão, mesmo quando a malha (a grade) estava mudando de tamanho dinamicamente.
• Voo de Asa: Simulando o fluxo de ar sobre uma asa de avião real (a ONERA M6) em velocidades transônicas. Ele combinou perfeitamente com dados reais de túnel de vento, capturando as ondas de choque complexas que se formam na asa.
• Explosão Explosiva: Simulando uma explosão química onde o ar aquece e reage. O MARUT previu corretamente como a onda de choque se moveu e como a composição química do ar mudou.

O "Segredo" (Linguagem Julia)

Finalmente, o artigo menciona que o MARUT foi escrito em uma linguagem de programação chamada Julia. Pense no Julia como uma linguagem tão fácil de ler quanto o inglês, mas tão rápida quanto o C++. Por causa disso, os autores dizem que o MARUT está pronto para ser conectado a ferramentas de Inteligência Artificial (IA) e aprendizado de máquina no futuro, potencialmente permitindo simulações "autônomas" que podem aprender e se adaptar sozinhas.

Em Resumo:
O MARUT é uma ferramenta de simulação de próxima geração que combina uma câmera de "zoom inteligente", uma lente de alta qualidade e um exército massivo de trabalhadores de GPU para simular fluxos de ar complexos de alta velocidade e reações químicas. É mais rápido, mais preciso e mais eficiente do que os métodos anteriores, tornando-se uma ferramenta poderosa para projetar futuras aeronaves aeroespaciais.

Resumo técnico

Resumo Técnico: MARUT – Um Framework CFD de Alta Ordem Pronto para Exaescala e Acelerado por GPU

Enunciação do Problema
A simulação de alta fidelidade de escoamentos compressíveis, particularmente aqueles envolvendo descontinuidades fortes (ondas de choque), camadas viscosas finas e fenômenos de não equilíbrio com reação química, permanece um desafio central na dinâmica dos fluidos computacional (CFD). Arquiteturas tradicionais baseadas em CPU lutam para resolver essas físicas multiescala dentro de tempos de processamento práticos devido aos custos computacionais proibitivos associados a malhas de alta resolução e discretizações de alta ordem. Além disso, aplicações aeroespaciais emergentes — que vão desde o projeto de veículos hipersônicos até a entrada atmosférica — exigem métodos capazes de lidar com química de taxa finita, não equilíbrio termoquímico e refinamento adaptativo de malha (AMR) em arquiteturas de supercomputação heterogêneas. A combinação de precisão de alta ordem, adaptatividade dinâmica e geometrias tridimensionais realistas cria cargas de trabalho que excedem as capacidades da execução em nó único ou GPU única, tornando necessários solvers escaláveis multi-GPU que minimizem a sobrecarga de comunicação enquanto mantêm a fidelidade da solução.

Metodologia
O artigo apresenta o MARUT, um framework escalável de dinâmica dos fluidos computacional multi-GPU implementado nativamente na linguagem de programação Julia. O solver é projetado para explorar arquiteturas heterogêneas modernas por meio de um fluxo de trabalho totalmente residente em GPU, eliminando gargalos de transferência de dados host-dispositivo durante os laços de integração temporal.

• Discretização Numérica: O MARUT emprega um método Galerkin Descontínuo (DG) espectral de alta ordem para discretização espacial. Utiliza uma formulação nodal em nós de Gauss–Lobatto–Legendre (GLL) com bases de produto tensorial. Para garantir estabilidade e conservação de entropia, os fluxos invíscidos são avaliados usando um formato dividido estável em entropia (fluxo de Ranocha) ou uma mistura convexa com um esquema de subcélula de volumes finitos (FV) de primeira ordem para captura de choque (indicador de Hennemann–Gassner). A integração temporal é realizada usando esquemas Runge–Kutta de preservação de estabilidade forte (SSP-RK) (especificamente SSPRK54).
• Termos Viscosos e de Fonte: Os termos viscosos são tratados via formulação mista Bassi–Rebay 1 (BR1), que introduz uma variável de gradiente auxiliar calculada por um operador DG de diferença central. Para escoamentos com reação química, o framework incorpora química de taxa finita (leis de Arrhenius) e não equilíbrio termoquímico (relaxação Landau–Teller de duas temperaturas). Esses termos de fonte rígidos são integrados implicitamente usando uma estratégia de divisão de Strang com iteração de Newton, enquanto os passos de transporte permanecem explícitos.
• Refinamento Adaptativo de Malha (AMR): Uma característica definidora do MARUT é sua estratégia de AMR conservadora residente em GPU. Construído sobre a biblioteca P4est, o framework gerencia uma estrutura de dados de floresta de oitavos inteiramente no dispositivo. O ciclo de AMR inclui sinalização baseada em indicadores, aplicação de equilíbrio 2:1, projeção conservadora $L^2$ para transferência de solução e reconstrução dinâmica de conectividade e interfaces de argamassa. Essa abordagem evita a latência de sincronização CPU-GPU durante a adaptação da malha.
• Paralelização: O solver utiliza MPI para paralelismo de memória distribuída entre múltiplas GPUs. Emprega uma estratégia de comunicação apenas em faces para minimizar o volume de troca de dados e sobrepõe comunicação com computação para ocultar latência.

Principais Contribuições

1. Plataforma Unificada de Alta Ordem em GPU: Desenvolvimento de um solver DG espectral totalmente acelerado por GPU com integração temporal SSP-RK, capaz de simulações de baixa dissipação e alta fidelidade de escoamentos dominados por choque e reativos.
2. AMR Conservadora Residente em GPU: Introdução de uma estratégia de AMR dinâmica que opera inteiramente na GPU, resolvendo estruturas multiescala (choques, camadas de cisalhamento, frentes de reação) enquanto supera o principal gargalo computacional do movimento de dados entre CPU e GPU.
3. Validação em Amplo Regime: Demonstração de robustez em regimes subsônicos, transônicos, supersônicos e hipersônicos, incluindo escoamentos com química de taxa finita e termos de fonte reativos rígidos.
4. Prontidão para Exaescala: Estabelecimento de escalabilidade multi-GPU eficiente com desempenho de escalonamento forte e fraco em GPUs NVIDIA, alcançando alta eficiência paralela para simulações em grande escala.

Resultados
O framework foi validado contra uma série de problemas de referência canônicos:

• Cilindro Supersônico 2D: Simulação de escoamento invíscido transiente ($M=3$) com AMR, capturando ondas de choque bow desprendidas e vórtices de esteira instáveis. O solver alcançou escalonamento forte quase linear e demonstrou a capacidade do AMR residente em GPU de rastrear características de escoamento em evolução.
• Vórtice de Taylor–Green 3D (TGV): Validação das propriedades de dissipação e dispersão do solver em $Re=1600$ para regimes subsônicos ($M=0.1$) e supersônicos ($M=1.25$). A configuração de AMR (Caso 3) reproduziu o decaimento de energia cinética e as taxas de dissipação de malhas uniformes totalmente resolvidas (Caso 2) com significativamente menos elementos, confirmando a precisão da projeção conservadora e dos operadores estáveis em entropia.
• Asa ONERA M6 Transônica: Simulação de escoamento viscoso em $M=0.84$ em uma malha hexaédrica curvilínea. Os resultados mostraram concordância próxima com coeficientes de pressão superficial experimentais e capturaram características complexas como estruturas de choque $\lambda$ e enrolamento de vórtice de ponta.
• Reação de Explosão em Não Equilíbrio: Modelagem de uma onda de explosão quimicamente reativa 2D com um modelo de ar de 5 espécies e relaxação de duas temperaturas. O solver capturou com sucesso a dinâmica de choque, produção de espécies (N, O, NO) e relaxação vibracional sem violar restrições de positividade.
• Desempenho: Em benchmarks de GPU única, o MARUT demonstrou acelerações variando de 8x a 25x sobre bases de CPU multithread (32–64 threads) para problemas de Euler 2D e Navier–Stokes 3D, com eficiência aumentando conforme o tamanho do problema crescia. Estudos de escalonamento multi-GPU em até quatro GPUs L40S mostraram eficiências de escalonamento forte de 78,8% a 91,5% e eficiências de escalonamento fraco de 86,3% a 88,3% para grandes tamanhos de problema, com sobrecargas de comunicação mantidas abaixo de 10% em configurações ótimas.

Significado
O artigo posiciona o MARUT como uma plataforma flexível para simulações prontas para exaescala de próxima geração. Ao combinar precisão de alta ordem, resolução adaptativa e aceleração nativa em GPU, ele aborda o desafio de simular fenômenos complexos de escoamento compressível em aplicações de escoamento reativo de alta velocidade. A implementação do framework em Julia é destacada como uma vantagem estratégica, permitindo integração natural com programação diferenciável e bibliotecas de aprendizado de máquina. Isso facilita desenvolvimentos futuros em controle de escoamento autônomo, modelagem inversa e descoberta científica orientada por dados, refletindo uma transição mais ampla na ciência computacional em direção a ecossistemas de simulação modulares e compatíveis com IA. O trabalho estabelece que CFD de alta fidelidade e em escala de produção é viável em plataformas heterogêneas modernas quando os algoritmos são projetados para minimizar o movimento de dados e maximizar o throughput paralelo.