CAPÍTULO 27

Aceleración y rendimiento del solver

Cómo acelerar las simulaciones conservando la física: backend, paralelismo, parámetros y estrategias de modelado.

El coste de una simulación DEM aumenta con el número de partículas, con la rigidez del contacto (que exige un Δt pequeño) y con la frecuencia de salida. Las estrategias siguientes actúan sobre cada uno de esos factores. Aplíquelas progresivamente y confirme que no cambia la física de interés.

27.1 Dónde se consume el tiempo

En cada paso, el solver (1) localiza vecinos, (2) resuelve los contactos y (3) integra el movimiento. La detección de vecinos y la resolución de contactos dominan el coste. Un Δt pequeño multiplica el número de pasos; muchas partículas multiplican el coste por paso.

27.2 Backend: CPU o GPU

Elija el backend en Configuración › Backend de ejecución (Capítulo 12.4). Regla práctica:

ESCENARIO BACKEND OBSERVACIÓN
Validación, calibración y casos pequeños CPU El coste de preparación y transferencia de la GPU no se compensa en casos pequeños
Casos con mucha geometría STL CPU La geometría compleja reduce la ventaja de la GPU
Producción a gran escala (cientos de miles a millones de partículas) GPU La GPU destaca cuando existe suficiente trabajo paralelo para amortizar los costes adicionales
La GPU no siempre es más rápida — En casos pequeños o con mucha geometría STL, la GPU puede resultar más lenta que la CPU debido al coste de transferencia y preparación. Mida antes de suponer: ejecute el mismo caso en ambos backends y compare el tiempo real transcurrido.

27.3 Paralelismo en CPU

  • Número de hilos — aumente el número de hilos en Configuración para utilizar todos los núcleos físicos. La mejora disminuye al superar su número; el hyper-threading ayuda poco en DEM;
  • Búsqueda de vecinos Verlet (CPU) — actívela: el solver reutiliza la lista de vecinos durante varios pasos y la reconstruye cuando una partícula se desplaza más de la mitad del margen (skin). Reduce notablemente el coste de detección de contactos;
  • Margen (skin) — un margen mayor reduce la frecuencia de reconstrucción de la lista (menor coste por paso), pero examina más candidatos. El valor predeterminado, aproximadamente la mitad del radio máximo, ofrece un buen equilibrio.

27.4 Aceleración específica de GPU

  • Precisión mixta — contactos en FP32 y lista Verlet activada automáticamente. La mejora depende de la GPU, del caso y de los modelos activos. Desactívela para calibrar y comparar CPU×GPU; valide las magnitudes de interés con la misma condición inicial.
  • Vecindad Verlet en GPU — lista de vecinos precalculada, reconstruida cada K pasos, en lugar de rehacer la cell-list en cada paso;

27.5 Reducir el coste físico del caso

ESTRATEGIA MEJORA PRECAUCIÓN
Reducir el módulo de Young E Mayor Δt → menos pasos Compruebe el solapamiento y la respuesta calibrada; en rotura/DWT, mantenga la coherencia entre partículas y paredes (10.7)
Coarse-graining (CGF) k³ veces menos partículas; Δt aproximadamente k veces mayor Aplique correctamente la escala; valide frente al caso fino (Capítulo 10.7)
Menos instantáneas (Save Count) Menos E/S y espacio en disco Conserve la resolución temporal de los eventos rápidos
Dominio ajustado al problema Menos celdas vacías en la búsqueda No recorte regiones que contengan partículas
Polidispersidad moderada Celdas de búsqueda más uniformes Las relaciones de tamaños extremas encarecen la búsqueda de vecinos

27.6 Matriz de hardware sugerida

Puntos de partida según el tamaño del caso; la cantidad exacta depende del radio, la rigidez y los modelos activos:

TAMAÑO DEL CASO PARTÍCULAS (orden) HARDWARE / BACKEND SUGERIDO
Didáctico / validación hasta unas 50 mil CPU de 4–8 núcleos, 8–16 GB de RAM, Verlet activado
Ingeniería de escala media unas 50 mil a 500 mil CPU de 8–16 núcleos, 16–32 GB de RAM; evaluar GPU
Producción grande unas 500 mil a varios millones GPU NVIDIA dedicada, 32–64 GB de RAM; precisión mixta
Muy grande / paramétrico millones GPU de alto rendimiento y coarse-graining; lotes en cola
Procedimiento de aceleración — (1) active la búsqueda Verlet y utilice todos los núcleos; (2) reduzca E manteniendo el solapamiento < 1 %; (3) ajuste Save Count a lo necesario; (4) evalúe coarse-graining en casos enormes; (5) después migre a GPU y confirme la mejora midiendo el tiempo real en ambos backends.