Classical finite-element solvers as differentiable graph programs on GPUs

Imagine tentar prever como o calor se move através de uma máquina complexa, como o interior de um motor a jato ou um reator nuclear. O ar circula e resfria contra paredes de metal quente, e o próprio metal se aquece e conduz esse calor para longe. Para projetar essas máquinas com segurança e eficiência, os engenheiros devem simular essa dança de fluido e sólido. Durante décadas, a forma padrão de fazer isso tem sido dividir a forma da máquina em milhões de pequenas peças irregulares de um quebra-cabeça e resolver um conjunto massivo de equações para cada uma delas. Esse processo é incrivelmente preciso, mas também incrivelmente lento, muitas vezes exigindo bancos de processadores tradicionais trabalhando por horas ou dias apenas para obter uma única resposta. O gargalo é geralmente o volume colossal de cálculos necessários para garantir que a pressão e a temperatura se equilibrem corretamente em todo o sistema.

Uma equipe de pesquisadores demonstrou agora que esses mesmos cálculos altamente precisos podem ser executados muito mais rápido ao tratá-los como um tipo diferente de problema: um grafo. Em vez de visualizar a simulação como uma grade rígida de números, eles mapearam as conexões entre as pequenas peças do quebra-cabeça em uma estrutura que os processadores gráficos modernos, os chips encontrados em placas de vídeo de alto desempenho, podem lidar com facilidade. Ao reescrever os passos matemáticos clássicos como um conjunto fixo de instruções que fluem através deste grafo, eles criaram um novo solver que roda em uma única placa de vídeo. Em seus testes, essa abordagem resolveu os mesmos problemas complexos de transferência de calor até 181 vezes mais rápido do que o método tradicional rodando em 32 poderosos núcleos de processador. Crucialmente, esse aumento de velocidade não veio de aproximar a física ou de treinar um modelo de aprendizado de máquina para adivinhar a resposta. Os pesquisadores mantiveram exatamente as mesmas regras matemáticas, garantindo que os resultados permanecessem tão precisos quanto os métodos antigos e mais lentos.

O trabalho, liderado por cientistas da Siemens Energy, do Imperial College London e outros, foca em um desafio específico conhecido como transferência de calor conjugada. Este é o fenômeno onde um fluido em movimento, como ar ou água, troca calor com um objeto sólido que ele toca. Em muitas aplicações de engenharia, desde o resfriamento de eletrônicos até o projeto de motores, o fluido e o sólido influenciam um ao outro tão fortemente que devem ser resolvidos juntos como um único sistema. Os pesquisadores pegaram um método bem estabelecido chamado método de elementos finitos, que é o padrão ouro para lidar com formas complexas e curvas, e traduziram suas operações principais para uma linguagem que os processadores gráficos entendem nativamente. Eles representaram as conexões entre os milhões de pontos de sua simulação como uma rede de nós e arestas, semelhante a como uma rede social mapeia conexões entre pessoas. Cada etapa do cálculo tornou-se um evento simples de passagem de mensagens através desta rede.

O que torna esta conquista significativa é que a equipe não treinou uma inteligência artificial para aprender a solução. Em muitas tentativas recentes de acelerar simulações, pesquisadores usam redes neurais para aprender padrões de dados passados, mas esses modelos frequentemente têm dificuldade com novas formas ou condições e podem produzir resultados imprecisos. Aqui, a estrutura de "rede neural" foi usada apenas como um recipiente para a matemática clássica. Cada peso e conexão no grafo foi calculado diretamente das equações físicas e da geometria da malha, o que significa que o solver não estava aprendendo nada; estava simplesmente executando as leis conhecidas da física em um formato novo e altamente eficiente. Isso permitiu que o sistema mantivesse o rigor de precisão do método tradicional enquanto ganhava o enorme poder de processamento paralelo da placa de vídeo.

Os pesquisadores testaram seu novo solver em uma variedade de cenários difíceis, incluindo uma célula turbulenta onde o ar quente sobe e o ar frio desce em um redemoinho caótico, e um cilindro de motor complexo com paredes de metal curvas. Eles compararam seus resultados contra três outros solvers estabelecidos: um código tradicional rodando em um processador central, um código de volumes finitos padrão amplamente utilizado na indústria e um tipo diferente de abordagem de rede neural projetada para grades simples. Os resultados mostraram que nenhum solver sozinho era o mais rápido em todas as situações. Em problemas muito pequenos, os métodos tradicionais ainda eram competitivos. No entanto, à medida que os problemas cresciam em tamanho e complexidade, o novo solver baseado em grafos na placa de vídeo assumia a liderança dramaticamente. No maior caso de teste, envolvendo mais de 100 milhões de pontos de dados, o novo método foi 181 vezes mais rápido por etapa do que o método tradicional.

Além da velocidade bruta, a nova abordagem ofereceu uma vantagem única: ela podia calcular o quão sensível o resultado final era a mudanças nos parâmetros de entrada. Na engenharia, saber como uma pequena mudança em um material ou temperatura afeta o resultado é vital para a otimização. Os pesquisadores demonstraram que seu solver poderia computar essas sensibilidades de forma automática e precisa, sem a necessidade de escrever códigos especiais e complexos para cada novo problema. Eles descobriram que calcular a sensibilidade da solução para um único parâmetro custava aproximadamente o mesmo poder de computação que rodar a simulação cinco vezes, independentemente de quantos parâmetros estavam sendo testados. Essa eficiência abre as portas para testar rapidamente milhares de variações de design para encontrar a configuração ideal de uma máquina.

A equipe também abordou o desafio de escalar o método para problemas ainda maiores que exigem múltiplas placas de vídeo trabalhando juntas. Ao adicionar uma etapa de correção específica que ajuda as diferentes placas a comunicarem seu progresso, eles conseguiram manter a alta eficiência conforme aumentavam o número de processadores. Eles executaram com sucesso simulações com centenas de milhões de pontos através de oito placas de vídeo, uma escala que seria difícil de alcançar com a abordagem tradicional em uma única máquina. Embora o estudo não tenha alegado que as placas de vídeo são sempre superiores aos processadores tradicionais, ele demonstrou claramente que, para geometrias complexas e curvas de grande escala, a nova abordagem baseada em grafos em uma única placa pode superar um cluster de 32 núcleos tradicionais por uma margem massiva.

O estudo confirma que a velocidade das simulações modernas não é limitada pelas leis da física, mas por como escolhemos executar os cálculos. Ao reimaginar o método clássico de elementos finitos como um programa de grafos, os pesquisadores mostraram que o mesmo rigor matemático pode ser alcançado com uma fração do tempo. Isso não substitui a necessidade de engenharia cuidadosa ou da validação de resultados, mas fornece uma ferramenta poderosa que permite aos engenheiros explorar mais designs, rodar simulações mais detalhadas e resolver problemas que eram anteriormente lentos demais para enfrentar. O trabalho serve como uma prova de que a ciência clássica e o hardware de computação moderno podem ser fundidos para criar ferramentas que são simultaneamente precisas e notavelmente rápidas.