NAFEMS DACH カンファレンス 2026 |Open iT:ソフトウェアアセットマネジメント | トラックソフトウェアライセンス

タイトル

HPCリソースの利用率最適化：トップクラスのモータースポーツにおける規制対象のCFDから得た教訓

スピーカー

Open iT
Heinrich Bartels

要旨

エリートクラスのオープンホイール・モータースポーツのエンジニアリングは、パフォーマンスが極めてわずかな差によって決まり、空力効率がレースの結果に最も大きな影響を与える環境下で行われています。空力特性はブレーキング時の安定性やコーナリング性能に直接影響を及ぼし、空力グリップは機械的グリップの4～5倍にも達します。このように密接に連動したシステムでは、わずかな非効率性でも順位を落とす原因となる一方で、比較的軽微な空力面の改良によって、0.1～0.3秒程度のラップタイム短縮が実現可能です。こうした状況下では、計算流体力学（CFD）は単なる補助ツールから、競技パフォーマンスを左右する中核的な要素へと昇華しており、個々のシミュレーションの有効性が極めて重要となっています。

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.

この枠組みにおいて、CFDは有限かつ測定可能なリソースとなります。その消費量は、標準化された指標「AUh = (NCU × NSS × CCF) / 3600」を用いて定量化されます。ここで、NCUはCPUの数、NSSは実行時間（秒）、CCFはCPUのクロック速度を表します。各シミュレーションは、超過できない固定割り当て量のうち、あらかじめ定義された分を消費し、未使用の容量は失効します。これにより、すべての空力開発が行われなければならない厳格な枠組みが設けられ、焦点が実行されるシミュレーションの総数から、性能向上に寄与する有用なシミュレーションの数を最大化することへと移行します。

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.

この変化により、HPCの最適化がエンジニアリングのパフォーマンスの中核となる。その目的は、総計算リソースの使用量を増やすことではなく、既存のリソースをより効率的に活用することで、割り当てられたリソースの範囲内で、より有意義なシミュレーションを完了できるようにすることにある。HPCシステムにおけるあらゆる非効率性は、実行可能なCFDシミュレーションの回数を直接的に減少させるため、システムのパフォーマンスとリソースの利用率は、競争上の成功を左右する重要な要素となる。

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.

例えば、計算負荷が高いと思われるシミュレーションでも、実際にはメモリ帯域幅やレイテンシによって制約を受け、CPUが最大限の効率で動作できない場合があります。分散ワークロードでは、相互接続やネットワークの競合が発生し、ノード間のスケーラビリティが低下することがあります。ストレージシステムでは、非効率的なデータアクセスパターンによってパフォーマンスが制限されるほか、消費電力や発熱の制限によりスロットリングが発生し、実質的な処理速度が低下する可能性があります。さらに、並列ワークロードは本質的に並列化できないコンポーネントによって制限されるため、CPUの数を増やしても、必ずしもそれに比例したパフォーマンス向上が得られるとは限りません。

こうした不均衡は、重要な課題を浮き彫りにしています。すなわち、HPCの全体的な効率は、利用可能なリソースの総量によって決まるのではなく、それらのリソースがどれだけ適切に整合され、活用されているかによって決まるのです。ある制約要因が支配的になると、システムの他の部分は十分に活用できなくなり、その結果、スループットが低下し、シミュレーション1回あたりの計算コストが増加することになります。

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.

状況によっては、分析の結果、HPCの容量増強が必要であると判断される場合があります。しかし、この決定は、どのリソースがパフォーマンスのボトルネックとなっているかを明確に把握した上で下す必要があります。メモリ帯域幅、ストレージI/O、またはネットワークパフォーマンスによって制約を受けているシステムに演算ノードを追加しても、スループットは向上せず、有意義なメリットをもたらさないまま運用コストを増大させる恐れがあります。逆に、リソースのバランスが取れており、十分に活用されている場合、容量を拡張することで、パフォーマンスと生産性に目に見える改善が期待できます。

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.

民間企業は、「必要なシミュレーションをできるだけ迅速に完了すること」と「その結果を得るために必要なHPCリソースのコストを削減すること」という2つの目標のバランスをとらなければなりません。シミュレーションの回数が決まっている場合、システムの効率を向上させることで、計算時間を短縮し、エネルギー消費量を削減し、ライセンス費用を抑えることができます。多くの場合、リソースのバランスをより適切に調整することで、同じワークロードをより少ない計算リソースで完了させることができ、全体的な経費を直接削減することが可能になります。

ここには、F1との重要な共通点が見られます。規制の厳しい環境では、非効率性が原因で、固定予算内で実行できるシミュレーションの数が減少します。一方、商業環境では、非効率性によって、所定の数のシミュレーションを実行するために必要なコストが増大します。制約条件は異なりますが、根本的な課題は同じです。すなわち、HPCリソースを可能な限り効果的に活用することを確保することです。

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.

システムの測定結果と運用上の意思決定の間にフィードバックループを構築することで、組織は時間の経過とともにパフォーマンスと効率の両方を段階的に向上させることができます。このアプローチにより、既存のインフラをより効果的に活用し、不要なコストを削減するとともに、HPCリソースへの追加投資が確実な価値をもたらすようになります。

結論

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.