作为流体仿真软件的“顶流”，Fluent被学生、工程师及科研人员广泛使用。随着技术的不断进步，Ansys工程师们致力于优化底层的并行算法，以提升其计算性能，使用户体验飞一般的计算速度。

在Ansys  Fluent中，尽管工程师已经针对并行算法进行了充分优化，但在实际应用中，还有其他方法可以进一步提高计算性能。本文阐述了Fluent并行计算的基本原理，同时探讨通过AVX2指令集加速、GPU加速以及超线程等技术手段来提高计算效率。

01 什么是Fluent并行计算

Fluent的并行求解器通过协同运作多个进程来计算大型问题，这些进程既可以在同一台机器上运行，也可以在网络中的不同设备上运行。

并行求解器将计算域分为多个区域（图1），将各数据分区分配至不同的计算进程（称为计算节点，图2），每个计算节点都在其专属数据集上同步执行同一程序。主进程（或称为主机）不包含网格单元、面或节点（除非使用 DPM 共享内存模型），其主要职责是解析 Cortex（负责用户界面和图形相关功能的 Fluent 进程）发送的指令，并将这些指令（及数据）传递给某一计算进程，再由该计算进程将其分发至其他计算进程。

图1:计算区域分区

图2：分区网格边界

计算节点负责存储并执行部分网格的计算任务，而位于分区边界的单层重叠单元格层则负责跨分区边界的通信（图2）。尽管单元格和面被分割，但网格中的所有域和线程在每个计算节点上均存在镜像（图3）。线程以链接列表的形式存储，和串行求解器保持一致。计算节点可在大规模并行计算机、多CPU 工作站或具备相同或多工作站组成的网络上实现。[1]

图3：分布式网格中的域和线程镜像

命令传输和通信

在Flunet并行计算会话中，进程涉及的主体包括 Cortex（主机进程）和一组 n 个计算节点进程，这些计算节点由 0 到 n-1 进行标记（图4）。主机进程接收来自 Cortex 的命令，并将命令传递至node-0，再由node-0发送给其他计算节点，所有计算节点（不包括节点0）均从node-0 接收命令。在计算节点将指令发送至主机之前（通过node-0），它们会相互进行同步。

各计算节点之间会进行“虚拟”连接，并依赖其“通信器”来实现数组的发送与接收、同步、全局约简（如全体单元的求和）以及机器连接性构建等功能。如图4 所示，Flunet 通信器可视为一个消息传递库，作为Message Passing Interface (MPI) 的标准供应商。

图4：Fluent并行架构

在并行Flunet进程中，每一个进程（以及串行进程）均拥有独一无二的ID标识。其中，主进程被分配为 ID node_host（=999999）。主机负责从 node-0 获取消息，并对所有数据执行相应操作（如打印、显示信息以及写入文件等），这与串行求解器的操作方式保持一致（图5）。

图5：Fluent并行流程

当然，由于商软黑箱，我们做不了太底层的事儿，但是在能力范围内，也能为提高计算效率添砖加瓦。

02 通过AVX2指令集加速

AVX2（Advanced Vector Extensions 2）是英特尔推出的一种SIMD（Single Instruction, Multiple Data）扩展指令集，旨在提高处理器的并行计算能力。作为AVX指令集的升级版，AVX2具有更多的指令和功能。

AVX2指令集引入了256位宽的矢量寄存器YMM和一系列新型指令，能够同时对8个32位或16个16位整数进行并行计算。相比于之前的SSE指令集，AVX2在处理器上的计算任务执行数量更多，数据吞吐量更高。在科学计算、图像处理、物理模拟等领域，AVX2具有广泛的应用价值。借助AVX2指令集，程序可以充分发挥处理器的并行计算能力，加速执行更加复杂的计算任务。需要注意的是，为了充分发挥AVX2的优势，硬件环境须支持该指令集，因此，我们务必确保所选择的处理器和计算节点可支持AVX2指令集，才可享受AVX2带来的性能提升。

在Fluent环境中实现AVX2加速的方法相当简单，只需在启动指令中添加一个参数即可：

在Linux操作系统下，针对MPI并行模式的脚本可参照以下，具体根据实际环境调整相关变量：