Conférence NAFEMS DACH 2026 | Open iT : gestion du parc logiciel | Suivi des licences logicielles

Titre

Optimisation de l'utilisation des ressources HPC : les enseignements tirés de la CFD réglementée dans le sport automobile de haut niveau

Intervenants

Open iT
Heinrich Bartels

Résumé

L'ingénierie de pointe dans le domaine des sports automobiles à roues découvertes évolue dans un environnement où les performances se jouent sur des marges extrêmement faibles, et où l'efficacité aérodynamique est le facteur déterminant qui influence l'issue des courses. L'aérodynamique influe directement sur la stabilité au freinage et les performances en virage, l'adhérence aérodynamique étant quatre à cinq fois supérieure à l'adhérence mécanique. Dans un système aussi étroitement imbriqué, même de petites inefficacités peuvent entraîner une perte de places, tandis que des améliorations aérodynamiques relativement mineures peuvent permettre de gagner entre 0,1 et 0,3 seconde par tour. Ces conditions font passer la dynamique des fluides computationnelle (CFD) du statut d’outil d’appoint à celui de moteur central de la performance en compétition, ce qui confère à l’efficacité de chaque simulation une importance cruciale.

CFD as a Constrained Resource

What differentiates this environment is not simply the reliance on CFD, but the way in which its usage is constrained. In Formula One, CFD activity is governed by explicit regulatory limits that define how much computation each team is allowed to perform. These limits are dynamically adjusted based on competitive ranking, with lower-ranked teams receiving up to 115% of a baseline allocation, while the Constructor’s Champion may be restricted to as little as 70%. This structure introduces a deliberate competitive balancing mechanism in which success reduces future computational capacity, forcing top-performing teams to operate with greater selectivity and efficiency.

Dans ce cadre, la CFD devient une ressource finie et mesurable. Sa consommation est quantifiée à l’aide d’un indicateur standardisé : AUh = (NCU × NSS × CCF) / 3 600, où NCU représente le nombre de processeurs, NSS la durée d’exécution en secondes et CCF la fréquence d’horloge du processeur. Chaque simulation consomme une partie définie d’une allocation fixe qui ne peut être dépassée, et toute capacité inutilisée est perdue. Cela crée une limite stricte dans laquelle tout le développement aérodynamique doit s’inscrire, déplaçant ainsi l’accent mis sur le nombre total de simulations réalisées vers la maximisation du nombre de simulations utiles qui contribuent à l’amélioration des performances.

From CFD Constraint to HPC Optimization

These constraints fundamentally change the role of high-performance computing (HPC). In most engineering environments, HPC systems are treated as scalable infrastructure, where increasing computational demand can be met by adding more hardware. In Formula One, however, CFD throughput is limited by regulation rather than hardware availability. As a result, expanding compute capacity does not increase the number of allowable simulations. Instead, the emphasis shifts toward extracting the maximum possible value from a fixed computational budget.

Cette évolution place l'optimisation du calcul haute performance (HPC) au cœur des performances techniques. L'objectif n'est pas d'augmenter la consommation totale de puissance de calcul, mais d'améliorer l'efficacité avec laquelle les ressources existantes sont utilisées, afin de pouvoir réaliser des simulations plus pertinentes dans le cadre d'une même allocation. Chaque source d'inefficacité au sein du système HPC réduit directement le nombre de simulations CFD pouvant être effectuées, ce qui fait des performances du système et de l'utilisation des ressources des facteurs déterminants pour la réussite concurrentielle.

Understanding Resource Constraints and Imbalance

HPC systems are complex environments in which performance is governed by multiple interacting resources, including compute capacity, memory size, storage I/O, network bandwidth, inter-process communication, scheduler configuration, and software license availability. In practice, these resources are rarely balanced. It is common for one resource to become saturated while others remain underutilized, creating bottlenecks that limit overall system throughput.

Par exemple, des simulations qui semblent très gourmandes en calcul peuvent en réalité être limitées par la bande passante mémoire ou la latence, empêchant ainsi les processeurs de fonctionner à leur plein rendement. Les charges de travail distribuées peuvent être confrontées à des conflits d’interconnexion ou de réseau, ce qui réduit l’évolutivité entre les nœuds. Les systèmes de stockage peuvent limiter les performances en raison de modèles d’accès aux données inefficaces, tandis que la consommation d’énergie et les contraintes thermiques peuvent entraîner un ralentissement qui réduit la vitesse de traitement effective. De plus, les charges de travail parallèles sont intrinsèquement limitées par des composants non parallélisables, ce qui signifie que l'augmentation du nombre de processeurs ne se traduit pas toujours par des gains de performances proportionnels.

Ces déséquilibres mettent en évidence un enjeu majeur : l'efficacité globale du calcul haute performance (HPC) n'est pas déterminée par la quantité totale de ressources disponibles, mais par la manière dont ces ressources sont coordonnées et exploitées. Lorsqu'une contrainte prend le dessus, le reste du système ne peut pas être pleinement mis à profit, ce qui se traduit par une baisse du débit et une augmentation du coût de calcul par simulation.

Using Measurements to Identify Inefficiency

Addressing these challenges requires detailed visibility into system behavior. Modern HPC environments generate extensive measurements that provide insight into both system performance and simulation usage. Hardware performance counters reveal low-level inefficiencies such as cache misses and memory stalls, while node-level measurements capture power consumption, temperature, and potential thermal throttling effects. System-wide profiling tools further expose patterns of contention and imbalance across compute, memory, network, and storage subsystems.

When combined with usage data such as job scheduling patterns, license concurrency, and time-based demand, these measurements provide a comprehensive view of how resources are being consumed. They enable the identification of idle compute capacity, peak-time bottlenecks, and misaligned workloads that may not be visible through conventional monitoring approaches. In many cases, inefficiencies are not obvious because they are distributed across multiple components of the system, making data-driven analysis essential for uncovering lost performance.

Optimization Actions and System-Level Improvements

Once inefficiencies are identified, targeted optimization strategies can be applied to improve overall system performance. These actions may include refining CPU allocation to increase core efficiency, improving cooling systems to eliminate thermal throttling, and resolving I/O bottlenecks through optimized data layout and access patterns. Adjustments to job schedulers can better align workloads with available resources, while improved license management can ensure that software constraints do not unnecessarily limit throughput.

Dans certaines situations, l’analyse peut révéler qu’une capacité HPC supplémentaire est nécessaire. Toutefois, cette décision doit reposer sur une compréhension claire de la ressource qui limite les performances. L’ajout de nœuds de calcul à un système limité par la bande passante mémoire, les E/S de stockage ou les performances réseau n’améliorera pas le débit et risque d’augmenter les coûts d’exploitation sans apporter d’avantages significatifs. À l’inverse, lorsque les ressources sont bien équilibrées et pleinement exploitées, l’augmentation de la capacité peut apporter des améliorations mesurables en termes de performances et de productivité.

Commercial HPC: Performance and Cost Optimization

While Formula One provides a uniquely constrained example, the underlying principles apply directly to commercial HPC environments. In these settings, the primary constraint is not regulation, but cost. HPC systems represent significant capital and operational investments, including hardware acquisition, energy consumption, maintenance, and software licensing. As a result, the optimization objective extends beyond performance alone.

Les entreprises doivent concilier deux objectifs : réaliser les simulations requises le plus rapidement possible et réduire le coût des ressources HPC nécessaires pour obtenir ces résultats. Pour un nombre donné de simulations, l’amélioration de l’efficacité du système peut permettre de réduire le temps de calcul, de diminuer la consommation d’énergie et de baisser les coûts de licence. Dans de nombreux cas, un meilleur équilibrage des ressources permet d’exécuter la même charge de travail avec moins de ressources de calcul, ce qui réduit directement les dépenses globales.

Cela met en évidence un parallèle important avec la Formule 1. Dans un environnement réglementé, l'inefficacité réduit le nombre de simulations pouvant être réalisées dans le cadre d'un budget fixe. Dans un environnement commercial, l'inefficacité augmente le coût nécessaire pour réaliser un nombre donné de simulations. Bien que les contraintes diffèrent, le défi sous-jacent reste le même : veiller à ce que les ressources de calcul haute performance (HPC) soient utilisées aussi efficacement que possible.

A Data-Driven Approach to Resource Optimization

The common solution across both domains is a disciplined, data-driven approach to resource management. HPC systems must be continuously measured and analyzed to understand how resources are being used and where limitations arise. Bottlenecks must be identified and addressed, workloads must be aligned with system capabilities, and decisions regarding capacity expansion must be based on clear evidence rather than assumption.

En mettant en place des boucles de rétroaction entre les mesures du système et les décisions opérationnelles, les organisations peuvent améliorer progressivement leurs performances et leur efficacité au fil du temps. Cette approche permet une utilisation plus efficace de l'infrastructure existante, réduit les coûts superflus et garantit que tout investissement supplémentaire dans les ressources HPC apporte une valeur ajoutée significative.

Conclusion

The experience of elite motorsport engineering demonstrates that when computational resources are treated as finite and measurable, optimization becomes both necessary and achievable. By focusing on improving resource utilization rather than simply increasing capacity, organizations can increase simulation throughput, reduce cost per solution, and make more effective use of their HPC investments. The same principles that enable competitive advantage in a constrained racing environment can be applied broadly to deliver more efficient and cost-effective simulation across a wide range of industries.