GPU 加速高性能计算并行计算可微仿真

高性能计算与 GPU 加速

把物理仿真跑快的工程合集:GPU 加速求解器与可微内核、并行计算与大规模求解、内存与算力效率优化,以及底层工具链。

更新于 2026年11月3日 共 9 个资源
导语

为什么做这个合集

物理 AI 项目失败的原因里,有一类不是模型不行,而是算不动:数据生成太慢、训练显存爆掉、推理延迟无法接受。这一类问题只能靠工程手段解决。

  • GPU 加速:不是把 CPU 代码扔到 GPU 上就行。代数多重网格、隐式求解器这类强耦合问题的 GPU 化有自己的方法论。
  • 并行计算:大规模稀疏系统的分区与通信策略,往往比单节点算力更决定总时间。
  • 内存与算力效率:大规模物理问题的瓶颈常常是显存带宽而非浮点算力。
  • 工具链:可微仿真内核、GPU 原生张量库,是上层方法能否落地的地基。

本合集条目数不大,但每条都是工程上真正用得上的:从 AMGX 这类成熟 GPU 求解器,到托卡马克全 3D 电磁模拟的定制隐式求解器,再到神经算子的内存优化方案。

建议先看「GPU 加速框架与求解器」组建立坐标系,再按自己的问题类型(强耦合 / 大规模稀疏 / 显存受限)进入对应分组。

GPU 加速框架与求解器 3 个资源

💬 编辑点评: TokaGLINT 面向全 3D 托卡马克电磁模拟的定制隐式求解器,是强耦合问题 GPU 化的深度案例
💬 编辑点评: 从架构层面做推理加速,是把训练好的代理模型真正塞进实时链路的路径

并行计算与大规模求解 3 个资源

PETSc

数值求解库 / HPC
阿贡国家实验室维护的高性能科学计算库,提供大规模线性/非线性方程组求解与并行基础设施,是高端 CFD 与多物理场仿真的底层求解核心,BSD-2-Clause 商用友好。
新 BSD-2-Clause 求解器线性代数稀疏矩阵
💬 编辑点评: PETSc 提供 GPU 与 CPU 混合的并行线性代数栈,大规模稀疏问题的基础设施

AMGX GPU 加速代数多重网格:把线性求解内核整体搬上加速器

高性能计算 / 求解器
NVIDIA 开源的分布式代数多重网格线性求解库,提供经典 Ruge-Stüben 与未光滑聚合两套 AMG 变体、多类光滑子与 Krylov 方法,单 GPU 相对 CPU 实现有 2 至 5 倍加速,是物理仿真共用 GPU 算力的底座。
新 BSD 3-Clause(NVIDIA Corporation,2017–2024) AMGX代数多重网格GPU 加速
💬 编辑点评: AMGX 是 NVIDIA 的 GPU 代数多重网格,稀疏线性系统加速的事实标准之一,值得作为对照基线

内存与算力效率 2 个资源

APT:融合全局-局部注意力的自适应物理 Transformer

原创研究论文
ICML 2026 论文,地下能源系统的几何/网格/物理无关神经算子,用图编码器捕获高分辨率局部异质特征,全局注意力解析长程物理影响;2D 断层 CO2 存储饱和度误差降为原 SOTA 的 1/4,对 GEOS 模拟器实现 19,873× 加速,对 ECLIPSE 实现 6,800× 加速。
arXiv 预印本(版权归作者) 神经算子地下储能CO2 封存
💬 编辑点评: APT 的自适应注意力在减少显存占用的同时保住长程依赖,是精度与开销折中的范例

MENO:高效内存神经算子

通用科学ML
基于流形函数编码器的 PDE 神经算子求解器,内存占用与数据分辨率解耦,支持任意形式PDE输入,适合大规模物理仿真。
见LICENSE文件 神经算子PDE求解内存优化
💬 编辑点评: MENO 直击神经算子的显存瓶颈 —— 大网格场景下,这往往比算力更先触顶

工具链 1 个资源

NVIDIA Warp

可微 GPU 仿真框架
NVIDIA 开源的 Python 框架,把普通 Python 函数 JIT 编译为 CPU/CUDA 原生核,且每个核自动生成可微反向版本,可让梯度穿过整段物理仿真——是 Isaac Lab、Newton 等机器人/物理学习栈的底层算力。
新 Apache-2.0 可微仿真GPUJIT 编译
💬 编辑点评: NVIDIA Warp 提供 GPU 原生可微仿真内核,物理信息与机器学习混合仿真的主流底座