Accelerating phase-field simulations on exascale computing systems for faster-than-real-time precipitate aging predictions

Cientistas de materiais frequentemente enfrentam um paradoxo frustrante: os processos que conferem resistência aos metais ocorrem rápido demais para serem observados, enquanto os computadores necessários para modelá-los são lentos demais para acompanhar o ritmo. Para entender como uma liga metálica se fortalece, pesquisadores estudam pequenos cristais, chamados precipitados, que se formam dentro do material quando ele é aquecido. Essas partículas crescem e se fundem ao longo do tempo, um processo que determina se o metal resistirá sob tensão ou rachará sob pressão. Por décadas, simular esse comportamento em três dimensões foi um pesadelo computacional. A matemática necessária para rastrear milhares dessas partículas através de um volume realista é tão pesada que uma simulação destinada a representar algumas horas de aquecimento no mundo real poderia levar semanas ou até meses para terminar em um computador padrão. Esse atraso significava que os cientistas só podiam estudar amostras minúsculas e irreais ou esperar tempo demais para ver os resultados, deixando uma lacuna entre a teoria e os experimentos reais que acontecem no laboratório.

Uma equipe de pesquisadores conseguiu agora preencher essa lacuna combinando três poderosas estratégias computacionais para fazer com que essas simulações rodem mais rápido do que o tempo real. Eles focaram em uma liga específica à base de níquel, um material crítico para aplicações de alta resistência, como motores a jato, e modelaram o crescimento de quase dois mil pequenos precipitados dentro de um cubo microscópico de metal. Ao aproveitar o poder bruto de supercomputadores modernos equipados com milhares de processadores gráficos especializados, eles conseguiram completar uma simulação de um tratamento térmico de sete horas em apenas cinco horas e meia. Esta conquista não é meramente uma aceleração; ela muda fundamentalmente a forma como esses estudos são conduzidos. Pela primeira vez, pesquisadores podem executar um modelo computacional que termina antes mesmo que o experimento físico esteja concluído, permitindo interpretar dados ao vivo e ajustar experimentos sobre a marcha.

O sucesso deste projeto dependeu de uma abordagem holística que atacou o problema de três ângulos diferentes. Primeiro, a equipe moveu todo o cálculo para unidades de processamento gráfico, ou GPUs. Esses chips, originalmente projetados para renderizar videogames, são excepcionalmente bons em lidar com o enorme número de cálculos pequenos e simultâneos exigidos por esse tipo de física. Os pesquisadores descobriram que o uso desses chips tornou o computador até dezessete vezes mais rápido do que o uso de unidades centrais de processamento tradicionais isoladas. Segundo, eles distribuíram o trabalho por milhares desses chips simultaneamente. Em vez de um único computador tentar fazer toda a matemática, eles dividiram o cubo de metal virtual em milhões de pedaços minúsculos e atribuíram cada peça a um processador diferente, coordenando-os para que pudessem trabalhar juntos sem ficar esperando por dados. Essa escala permitiu que lidassem com uma grade de simulação contendo 1,5 bilhão de pontos, um tamanho que seria impossível em sistemas antigos.

A terceira inovação, e talvez a mais sutil, envolveu como o computador avançava através do tempo. A maioria das simulações anteriores dava passos minúsculos e cautelosos para garantir a precisão, o que significava que precisavam dar milhões de passos para cobrir algumas horas. Os pesquisadores desenvolveram um método para dar passos muito maiores e mais inteligentes sem perder a precisão. Ao usar uma técnica matemática mais avançada para prever o estado futuro das partículas, eles reduziram o número de passos necessários em um fator de quase três em comparação aos métodos padrão. Quando combinadas, essas três melhorias — o uso de chips gráficos potentes, a distribuição do trabalho por milhares deles e a execução de passos maiores no tempo — resultaram em uma aceleração total de entre duzentos e quinhentos vezes em relação à forma antiga de fazer as coisas.

O resultado é uma simulação de uma liga Ni–Nb–Fe onde 1.920 precipitados crescem e se fundem ao longo de um período de sete horas. No modelo, essas partículas começam como núcleos minúsculos e se expandem, com alguns crescendo mais enquanto outros se dissolvem, um processo conhecido como coarsening (engrossamento). A equipe observou isso se desenrolar em uma grade de 1,5 bilhão de pontos, capturando a complexa dança de interações entre milhares de partículas. Como o cálculo terminou em 5,5 horas, agora é possível rodar esses modelos paralelamente a experimentos reais em grandes instalações de pesquisa. Se um cientista estiver aquecendo uma amostra de metal em um sincrotron ou em uma fonte de nêutrons, ele pode agora ter um modelo computacional rodando em paralelo, prevendo o que o metal está fazendo em tempo real e ajudando a guiar o experimento conforme ele acontece.

Este trabalho demonstra que o gargalo do tempo, que há muito limita o estudo das microestruturas de materiais, pode ser superado. Os pesquisadores mostraram que seus métodos não são apenas um truque pontual para esta liga específica, mas uma estratégia geral que pode ser aplicada a outras simulações complexas, como a dinâmica de fluidos ou o comportamento de cristais sob tensão. Ao provar que essas simulações massivas em três dimensões podem ser completadas em uma tarde, a equipe abriu as portas para o estudo de fenômenos que eram anteriormente grandes demais ou lentos demais para serem observados. Eles podem agora rodar centenas de simulações para testar diferentes condições, quantificar incertezas e explorar como milhares de partículas interagem de maneiras que teorias simples não conseguem prever. A capacidade de ver o futuro da microestrutura de um material antes mesmo do experimento terminar marca uma mudança significativa na forma como a ciência dos materiais é praticada, transformando uma análise lenta e retrospectiva em uma ferramenta preditiva rápida.