Benchmarking of Massively Parallel Phase-Field Codes for Directional Solidification

本文提出了一个综合基准测试，对比了用于在实验相关条件下模拟 Al-Cu 和 SCN-樟脑合金定向凝固的 GPU 加速有限差分相场代码（GPU-PF）与 CPU 并行化有限元自适应网格代码（PRISMS-PF），验证了它们在预测枝晶形貌和尖端动力学方面的准确性，同时评估了其计算性能以支持集成计算材料工程工作流。

要点

想象一下，你正在预测冻结的湖面如何形成冰晶，或者金属如何冷却成为坚固的梁。科学家们使用一种名为“相场”（Phase-Field）的特殊计算机模拟模型来完成这项工作。可以将这些模型视为凝固材料的“数字天气预报”。它们预测的不是降雨，而是液体在凝固过程中内部微小树状结构（称为枝晶）的生长方式。

然而，正如存在不同的天气预报模型（有些在超级计算机上运行，有些在笔记本电脑上运行；有些使用不同的数学方法）一样，运行这些模拟也存在不同的计算机代码。一个关键问题是：它们讲述的故事是否一致？

本文就像一次“品尝测试”或是一场赛车竞赛，旨在比较两种截然不同的、用于模拟材料凝固过程的计算机代码。其目标是观察在输入完全相同的“配方”和“原料”时，它们是否会产生相同的结果。

两位赛车手

作者比较了两种截然不同的“赛车”（计算机代码）：

1. GPU-PF（极速者）： 该代码专为GPU（图形处理器，即游戏电脑中强大的显卡）设计。它采用“有限差分”方法，这就像观察由方形瓷砖组成的网格。它极其快速高效，尤其是在大量并行工作时。它专为以闪电般的速度处理数值计算而设计。
2. PRISMS-PF（精密导航员）： 该代码专为CPU（大多数计算机中的标准处理器）设计，采用带有自适应网格的“有限元”方法。想象这是一张可以放大和缩小的地图。它对空旷区域使用粗糙的网格，但仅在发生“动作”的地方（例如正在生长的晶体边缘）自动添加微小的、高精度的瓷砖。它更加灵活，但需要更多的计算能力来管理。

赛道：现实条件

通常，这些代码是在简单、理想化的赛道上（例如真空中的完美圆形）进行测试的。但作者希望观察它们在真实、崎岖的赛道上的表现。

他们使用了NASA 在国际空间站进行的实验数据。在太空中，没有重力，因此液态金属不会发生对流（旋转），而是纯粹通过扩散静止并冻结。这创造了一个“干净”的环境来测试代码。他们模拟了两种情景：

• 短跑： 铝铜合金极快凝固（如同高速赛跑）。
• 马拉松： 一种透明的有机合金在微重力下缓慢凝固（如同长跑）。

结果：它们一致吗？

作者并行运行了两个代码，并检查了三个方面：

1. 冰的形状： 两个代码绘制的晶体形状是否相同？

   • 裁决： 是的。当初始条件设置正确时，两个代码绘制出的晶体图案几乎完全相同。“树木”以相同的方向生长，在相同的时间分叉，并具有相同的间距。这就像两位不同的艺术家根据同一张照片绘制同一棵树；结果难以区分。

2. “混沌”陷阱： 作者发现了一个棘手的陷阱。如果你从一个非常具体且不稳定的微小波动开始模拟，系统就会变得混沌（如同“蝴蝶效应”）。在这种状态下，数学上的微小差异会导致两个代码产生巨大的分歧，生长出完全不同的“树木”。

   • 教训： 为了进行公平的比较，必须从稳定的设置开始比赛。一旦修正了初始条件，代码再次完美一致。

3. 速度： 谁先完成了比赛？

   • 裁决： GPU-PF（极速者） 通常更快，尤其是在使用多个 GPU 协同工作时。它非常擅长处理模拟的“速度”。
   • PRISMS-PF（精密导航员） 稍慢一些，但表明它可以在标准计算机集群上很好地完成任务。它证明了你不需要昂贵的显卡也能获得准确的结果，尽管这需要更多时间。

主要结论

本文是一次质量控制检查。它证明了：

• 如果设置正确，你可以信任这些不同的计算机代码给出相同的答案。
• “极速者”（GPU）非常适合大规模、快速的模拟。
• “精密导航员”（CPU/自适应）非常适合灵活性和高分辨率细节。
• 两者现在都可以作为可靠的工具用于ICME（集成计算材料工程）。这是一个框架，工程师利用计算机模型来设计更好的材料（如更坚固的飞机部件或更好的电池），而无需先制造和破坏物理原型。

简而言之，作者建立了一个标准化测试赛道，并展示了两种截然不同的模拟引擎可以以相同的精度驾驭它，从而让科学家有信心将它们用于现实世界的材料设计。

技术摘要

以下是论文《大规模并行相场代码定向凝固基准测试》的详细技术总结。

1. 问题陈述

集成计算材料工程（ICME）需要跨尺度整合基于物理的模型以预测材料性能。然而，在实验相关的长度（毫米）和时间（秒）尺度上模拟合金凝固，仍是一个巨大的计算障碍。

• 挑战： 尽管存在众多相场（PF）代码（例如 PRISMS-PF、MOOSE、GPU-PF），但它们通常采用不同的数值公式（有限元与有限差分）、离散化方案（自适应与均匀）以及并行化策略（CPU 与 GPU）。
• 差距： 现有的基准测试通常侧重于理想化、小规模或简化的案例，未能反映真实实验中的计算和建模挑战。在实验验证条件下，缺乏灵活模块化框架与性能优化代码之间严格的“苹果对苹果”式比较。
• 具体目标： 在相同的物理模型和实验相关条件下，对两种不同的先进相场实现——GPU-PF（有限差分、均匀网格、GPU 加速）和PRISMS-PF（有限元、自适应网格、CPU 并行）——进行定量基准测试。

2. 方法论

A. 统一物理模型

为确保公平比较，强制两种代码求解相同的定量相场公式以处理稀释合金凝固：

• 模型： 采用 Echebarria 等人提出的单侧稀释合金模型，并引入反捕获电流以消除虚假溶质捕获。
• 近似： 使用“薄界面”近似，通过匹配渐近分析恢复尖锐界面极限。
• 物理： 系统求解相场（$\phi$）和无量纲过饱和度（$U$）的耦合偏微分方程，由 Lyapunov 泛函控制。
• 边界条件： 应用冻结温度近似（FTA），假设固定的 1D 温度梯度。

B. 基准系统

模拟了两种不同的材料系统以测试不同机制：

1. Al-3wt%Cu（2D）： 高速凝固。用作在消费级硬件上进行快速收敛测试的基线。
2. SCN-0.46wt% 樟脑（2D 和 3D）： 基于NASA DECLIC-DSI-R实验的微重力定向凝固。该系统消除了浮力驱动的对流，提供了一个“干净”的基准，用于根据飞行数据验证尖端动力学、一次间距和形貌。

C. 数值实现

• GPU-PF：
  • 方法： 在结构化均匀网格上使用有限差分法（FDM）。
  • 硬件： 在 NVIDIA V100 GPU 上通过 CUDA 加速。
  • 特性： 使用预条件相场（$\psi$）以提高粗分辨率和大时间步长下的稳定性。在 2D 中采用各向同性离散化以减轻晶格各向异性。
• PRISMS-PF：
  • 方法： 使用**自适应网格细化（AMR）**的有限元法（FEM）。
  • 硬件： 在 AMD EPYC CPU 上通过 MPI 并行化。
  • 特性： 采用无矩阵方法，结合求和因子化和高斯 - 洛巴托求积。支持任意几何形状和更高阶精度。

D. 实验设计

作者专门设计了初始条件以挑战数值鲁棒性：

• 混沌与非混沌机制： 他们证明，某些初始扰动（长波长）会导致混沌动力学，其中微小的数值差异会呈指数级放大，使得直接比较变得不可能。
• 稳定机制： 他们确定了特定的初始条件（较短波长的扰动），可产生稳定的周期性枝晶阵列，从而允许对尖端半径和间距进行有意义的定量比较。

3. 主要贡献

1. 首个“苹果对苹果”基准测试： 本研究使用相同的物理模型，首次对高性能硬编码 GPU 求解器（GPU-PF）与灵活、开源、自适应 FEM 框架（PRISMS-PF）进行了严格比较。
2. 针对飞行数据的验证： 基准测试直接针对 NASA 的 DECLIC-DSI-R 微重力数据进行了验证，超越了理想化的理论基准，转向实验相关场景。
3. 对数值混沌的洞察： 论文强调了一个关键发现：初始条件决定可比性。它表明定向凝固的模拟可能对初始扰动表现出混沌敏感性。如果初始条件激发了不稳定模式，解将呈指数级发散，导致代码比较变得无定义。
4. 性能扩展分析： 对不同硬件架构（GPU 与 CPU）和域大小的强扩展性和计算效率进行了详细分析。

4. 结果

A. 形貌与定量一致性

• 2D Al-Cu： 两种代码在界面演化方面表现出极好的一致性，包括尖端分裂和侧枝生长，验证了 GPU 实现与收敛的 FEM 结果。
• 2D 和 3D SCN-樟脑：
  • 当使用混沌初始条件（长波长）时，由于对数值噪声的敏感性，代码显著发散。
  • 当使用稳定初始条件（较短波长，$n=6$）时，代码实现了近乎完美的一致性。
  • 尖端半径： 枝晶尖端半径（$\rho$）的差异仅为4.3%（$\rho_{GPU} = 13.30 W_0$ 对比 $\rho_{PRISMS} = 13.87 W_0$）。
  • 均方根差（RMSD）： 纵向尖端轮廓之间的差异为 $0.63 W_0$，小于单个网格间距，证实了尖端尺度的收敛性。
  • 一次间距： 两种代码均预测出稳定的间距 $\Lambda \approx 200 \mu m$，落在 SCN-樟脑系统理论预测的稳定性带内。

B. 计算性能

• GPU-PF：
  • 在大域中表现出卓越的吞吐量。
  • 在多 GPU 设置中实现了次线性扩展，但由于能够使用更大的时间步长（由预条件化实现），保持了高效率。
  • 对于完整的 3D 域，4 个 GPU 在3.08 小时内完成了模拟。
• PRISMS-PF：
  • 在高达 256 个核心时表现出近乎理想的扩展性，但在更高核心数（2048 个核心）时，由于通信开销和网格自适应复杂性，扩展效率下降。
  • 对于相同的 3D 域，所需时间显著更长：在 2048 个核心上耗时6.42 小时。
  • 在解析尖锐特征和处理相对于网格的界面错位方面表现出色，无需各向同性模板。

5. 意义与结论

这项工作建立了一个实用框架，用于评估 ICME 工作流程中的相场代码性能。

• 对于 ICME： 它验证了只要物理模型一致且初始条件选择得当以避免混沌发散，灵活的开源工具（PRISMS-PF）和优化的内部代码（GPU-PF）都能高保真地重现实验现实。
• 对于代码开发： 它强调了代码架构中的权衡：
  • GPU-PF 适用于可接受均匀网格的高通量、大规模筛选。
  • PRISMS-PF 在需要自适应分辨率、复杂几何形状或界面附近高阶精度的问题上更胜一筹。
• 未来展望： 作者呼吁建立标准化基准，以促进相场模型与机器学习及实验流程的集成。本研究使用的数据和代码已公开，以支持社区的可重复性和进一步发展。

总之，该论文成功弥合了理论相场建模与实验验证之间的差距，证明了现代大规模并行代码能够准确预测与空间相关的凝固条件下的微观结构演化。