10,000 LES Simulations in 32 Hours: nTop and CoreWeave Hit NASA's CFD 2030 Target

nTop 与 CoreWeave 提前实现 NASA 2030 CFD 目标 | CoreWeave 博客

发布于

2026年7月7日

8

分钟阅读

32 小时完成 10,000 次 LES 模拟：nTop 与 CoreWeave 实现 NASA CFD 2030 目标

作者

Justin Hodges

$

/$

已复制

图片致谢：nTop 提供

在登机前未经过物理测试的飞机显然毫无意义。但现实情况是，尽管工程团队会研究数以千计的设计方案，但最终能实际进行物理测试的方案却寥寥无几。仿真在工程领域扮演着至关重要的不可替代角色。

无论是你上一次商务旅行乘坐的航班、接送孩子的汽车，还是家中使用的电器，基于物理的仿真都是工程企业设计安全可靠产品的核心手段。

基于物理的仿真如何驱动现代工程

工程仿真本质上是一套计算方法，使工程师能够在投入硬件、材料、原型或实地测试之前，在软件中验证物理特性。从最高层次来看，其分类与所建模的物理现象类型保持一致。许多仿真涉及非线性问题，这使得准确预测设计性能所需的计算工作和方法变得更为复杂。

“世界确实是非线性的，但请不必担心，这里有一个提示：当信号较小时且整体稳定时，x˙ = Ax 就足够了。”

从流体力学到结构变形：工程仿真的多种形式

计算流体动力学（CFD）用于预测航空航天、交通运输、能源系统和气候建模等领域的流体流动和热传递。由于大多数实际流动都属于湍流，湍流建模仍然是CFD领域的一大核心挑战。其重要性不仅限于预测精度：湍流是粘性阻力的主要来源，全球约30%的能源消耗用于克服交通运输系统中的阻力¹。

结构仿真（通常称为有限元分析FEA）预测零件在负载下的变形、振动、疲劳、开裂或失效情况，这对建造更安全的建筑、更轻量的车辆、更坚固的机械和更可靠的基础设施至关重要。

电磁仿真建模电场、天线、电机、芯片、传感器和电力系统。

分子与材料仿真则从原子或微观尺度研究材料行为，有助于开发更好的电池、聚合物、半导体、药物和先进材料。

多物理场仿真将多个领域耦合在一起，因为实际产品很少会单独经历某种物理现象。

32 小时完成 10,000 次无人机仿真

nTop 是一款计算设计与仿真平台，被领先的航空航天、国防和先进制造团队用于构建传统CAD难以可靠处理的复杂几何结构。其求解器nTop Fluids可在GPU上原生运行CFD。

nTop 与 CoreWeave 的物理AI团队合作开展联合概念验证，测试在CoreWeave的GPU云基础设施上使用nTop Fluids时，单个仿真工程师在约一天时间内能完成的工作极限。

当前工作是一项联合工业测试案例，通过在CoreWeave Cloud上使用nTop Fluids软件，模拟不同无人机设计的空气动力学特性。目标是测试当今工程师能力的边界——作为空气动力学家/模拟实践者，一天内能评估多少种设计（即运行多少次模拟）？

什么是大涡模拟（LES），为什么运行成本如此高昂？

我们有意选择了大涡模拟（LES），主要原因是其精度高于大多数工程团队依赖的雷诺平均纳维-斯托克斯（RANS）方法。RANS将湍流平均为统计近似值，虽然计算速度快，但会丢失重要的物理细节。

LES直接解析流动中的大尺度湍流结构，仅对最小尺度进行建模，这使其显著更精确且计算强度高出几个数量级。这种高昂的计算成本正是LES历史上仅用于单次“能力验证”计算而非大规模设计研究的主要原因。

在无人干预的情况下运行10,000次CFD模拟需要什么条件

此类演示展示了可扩展软件与专用基础设施结合后实现的可能性：在更高保真度下实现更大规模的模拟，更短的周期时间。完整研究以无头模式运行，无需人工干预处理软件或基础设施问题，且端到端稳定扩展。两个关键要素是：nTop Fluids稳健生成和模拟几何的能力，以及专为AI工作负载打造并配备最新NVIDIA GPU加速的CoreWeave Cloud。

实验设计：5个攻角下2,400种无人机变体

采用实验设计（DoE）方法系统探索设计空间并识别高性能配置。每个设计由一组参数变量（如机翼厚度）表示，这些变量在预定义范围内变化。通过组合采样这些参数，生成了如图1所示的多样化无人机几何体种群，实现了对可行设计空间的广泛覆盖。

总计考虑了5个攻角下的2,400种无人机机翼平面几何变体，共计10,000次模拟。攻角是指机翼相对于来流的方位角，随着无人机爬升、下降或机动而变化。在多个攻角下进行测试，可以捕捉每个设计在不同飞行条件下的性能表现。本研究的基础几何体是完全参数化的Group 3长航时固定翼无人机系统（UAS），该模型在nTop中构建。

提前四年实现NASA CFD Vision 2030目标

通过在32小时内完成10,000次大涡模拟（LES）的批量计算，这项工作标志着一个范式转变的里程碑，直接实现了NASA CFD Vision 2030研究2中提出的最终操作目标。

2030愿景的基石要求工程师必须能够“在关键时间周期（例如24小时）内构思、创建、分析和解释大量相关模拟”，以常规化影响关键工程决策[2]。历史上，由于计算成本高昂，高保真度且能解析湍流的LES等方法仅限于孤立的、缓慢的“能力验证”计算。将LES转化为高吞吐量框架，使其能够在接近一天的时间内完成一万次迭代，有效弥合了高保真物理模拟与大规模计算能力之间的差距。这一成就证明了NASA所确定的2030年目标——自动化工作流程、极致并行性和下一代数值扩展能力。

查看完整数据集：实时结果仪表板

如图2上方视频所示，每次模拟都会在无人机表面及其周围区域生成气动值场。模拟的计算工作量本质上是执行一种数值方法，旨在估算支配气动特性的物理方程的解。

这些值（如压力和速度）通常会在同一模拟软件中实时进行后处理，以提供额外指标来判断设计是“优秀”还是“劣质”，例如阻力系数。因此，设计师可以针对每个设计获取大量信息，并根据需要灵活使用这些信息来评估性能。在本案例研究中，我们创建了图3所示的实时仪表板，以迭代方式探索本研究中运行的完整测试矩阵。

为什么选择CoreWeave进行工程模拟和CFD

工程HPC工作负载对云的需求

我们正处于一个有趣的交汇点：云计算的快速发展和持续增长支持着多样化的负载需求，而对高性能计算（HPC）的持续需求则是大多数原始设备制造商（OEM）和工程界（制造我们日常生活中不可或缺产品的群体）的必然需求。OEM和工程团队越来越期望云服务提供商能够提供自动化、自动扩展和弹性。为了使这些模拟和计算方法以容器化应用运行，Kubernetes已成为容器化工作负载的事实标准，研究表明其运行HPC应用时与裸金属相比没有可测量的性能损失3。

CoreWeave如何实现可信的云HPC

在CoreWeave的NVIDIA驱动GPU云上进行的PoC令人信服，因为它展示了工程模拟团队日益需要的融合云HPC环境：一种既能保持传统HPC工作流程的性能预期，又能添加云原生基础设施的可移植性、自动化和运营灵活性的环境。

许多模拟工作负载无法被清晰地拆分为独立的并行任务；它们依赖于紧密耦合的GPU和CPU通信、可预测的互连行为、快速存储、容器化软件栈以及HPC用户已经熟悉的调度模式。

CoreWeave 通过专为加速计算而设计的硬件、高性能网络、Kubernetes 原生编排以及兼容 Slurm 的工作流程，将这些要素整合在一起。这种方法使 CoreWeave Cloud 成为现代化 CFD 及相关仿真工作负载的理想平台——无需迫使团队放弃其求解器所依赖的操作模式。

这很重要，因为工程仿真社区寻找的不仅仅是“云 GPU”；他们需要的是行为与可信 HPC 基础设施相似的架构。因此，CoreWeave 的演示可以将云迁移的讨论从理论层面转向具体的工程价值：缩短求解时间、可重复的容器化运行、现代 GPU 加速的访问能力，以及为遗留仿真代码提供在专为 HPC 实际需求设计的云环境中运行的路径。

这将释放的潜力：物理 AI 中的 CFD

在 32 小时内完成 10,000 次高保真度仿真，其价值不仅在于找到本次设计任务的最佳方案；更在于这些数据本身。以 LES 分辨率生成的这种规模和几何多样性仿真数据集，足以作为机器学习代理模型的训练基础——这些模型可以直接从几何参数预测气动性能，速度比每次查询都运行新仿真快几个数量级。

这正是 CoreWeave 云平台旨在支持的经典 CFD 向物理 AI 过渡的桥梁。

将计算密集型物理仿真从传统 CPU 集群迁移至现代 GPU 集群只是第一步。第二步则是闭环：利用仿真输出训练 ML 模型，以压缩优化周期、驱动数字孪生，并以工程团队实际决策所需的速度预测真实世界性能。CoreWeave 的物理 AI 平台——裸金属 NVIDIA GPU 集群、通过 Weights & Biases 集成的实验追踪功能，以及部署在一线的工程专家——为航空航天、汽车、半导体、材料和能源领域团队整合了这些要素。

在 CoreWeave 上运行您的仿真

无论您是正在现代化 CFD 流程、探索更大的设计空间，还是训练下一代工程代理模型，CoreWeave Cloud 都提供专为仿真工作负载打造的平台，其扩展能力可超越本地基础设施。固定的工站和 CPU 集群容量通常难以满足高通量 DOE 和设计空间探索所需的战役级运行需求。我们的物理 AI 团队直接与工程和科学组织合作，使此类研究成为常规操作，而非例外情况。

探索 CoreWeave 上的物理 AI >

阅读 nTop 的工程视角 >

‍

1 Beneitez, Miguel, 等. “通过可解释深度学习改进湍流控制.” arXiv 预印本 arXiv:2504.02354 (2025). 2 Slotnick, Jeffrey P., 等. CFD vision 2030 研究：通往革命性计算空气科学的路径 . 编号 NF1676L-18332. 2014. 3 Sochat, Vanessa, 等. "面向 HPC 应用的云可用性评估." 国际高性能计算、网络、存储和分析会议 SC'25 工作坊论文集 . 2025. ‍

所有图片和视频均由 nTop 提供。

与 CoreWeave 的物理 AI 团队合作，nTop 在 32 小时内完成了 10,000 次无人机机翼的大涡模拟，比原计划提前四年达成 NASA CFD Vision 2030 的扩展目标。

分享本文： /think