共计 2474 个字符，预计需要花费 7 分钟才能阅读完成。
现在，简直所有行业都在产品开发中应用计算机辅助工程 (CAE)，包含：汽车、航空航天、工厂工程、电子、能源和消费品行业。工程师须要模仿模型，以疾速、具老本效益地确保产品在所有环境中以及产品生命周期的不同阶段无效运行。
古代的模仿工具、软件即服务 (SaaS) 求解器和云计算，曾经为简化艰辛的 CAE 工作排除了阻碍。工程师当初能够利用云中高性能计算 (HPC) 的性能和速度来放慢规范 CAE 工作流程，并显著升高每个设计迭代周期所需的老本和工夫。
以下是 AWS 作为运行 CAE 工作负载现实抉择的五个起因。
一、利用不受限制的按需 HPC
- 让您的 CAE 模仿决定架构，而不是相同。
- 应用具备最新 Intel® 技术的简直有限的云资源，而无需购买、部署和治理基础设施。
- 利用最新的技术工具取得更粗浅的后果。
挑战：
计算密集型模仿可能会受到本地 HPC 基础设施容量无限、硬件资本收入高以及对技
术更新的继续需要的限度。
解决方案：
AWS 云上的 HPC 简直能够开释有限的计算能力和数据存储空间，满足工程师对更高性能的需要。工程师还能够轻松利用更多的 AWS 服务和最新技术工具，例如带有 AmazonSageMaker 的 AWS Machine Learning (ML)，以帮忙预测产品和新性能的将来性能。
成绩：
IDC 报告称，在 HPC 上每破费 1 USD 企业的支出就会减少 463 USD¹，而且利润会减少 44 USD¹。应用本地 HPC 的组织中有 72% 的组织报告因为不足资源而提早或勾销了 HPC 作业。
二、减速翻新
- 轻松启动 CFD 模仿工作负载并更快地取得后果。
- 从一系列由 Intel 提供反对的 Amazon EC2 实例中进行抉择，并仅按使用量付费。
- 在数分钟内即可创立、操作和移除通过优化的平安 HPC 集群。
挑战：
Formula 1® Motorsports 心愿通过让赛车能够在近乎零间隔的状况下开展竞逐，为赛车迷出现更加缓和刺激的较量。对于一级方程式赛车而言，空气能源下压力是影响性能最次要的因素，它能够帮忙赛车更快地驶过弯道。以后一代的赛车在贴近行驶时体现会受到影响，让车手更难以维持近距离竞逐和超车。目前，如果一辆赛车与另一辆赛车相隔一个车位前后行驶，则会损失多达 50% 的下压力。
解决方案：
为了缩小这种下压力损失，F1 用 AWS ParallelCluster 设置应用 Amazon EC2 实例的 HPC 集群，并模仿了赛车在贴近彼此行驶时的空气动力学如何相互作用。F1 通过从这些模仿取得的常识，对赛车进行了从新设计，使得赛车在隔一个车位尾随另一辆赛车时，其下压力损失仅为 10%。
成绩：
从这些模仿取得的常识让 F1 设计出的赛车在隔一个车位尾随另一辆赛车时，其下压力损失仅从 50% 降落到了 10%。F1 将模仿工夫从 6016 小时，整整缩短了 70%。应用 Amazon EC2 C5n 实例 F1 可能实现与超级计算机相当的性能，并且老本仅为其一小部分。
三、取得竞争劣势
- 运行 Amazon EC2 Spot 实例，并利用 Spot 定价劣势，进一步升高工夫灵便的工作负载的老本。
- 从 Amazon Simple Storage Service (Amazon S3) 读取和写入模仿数据，充分利用 S3 存储大量数据并可能解决任何可能的申请速率的性能。
- 让工程师能够释怀启动计算密集型模仿来减速新产品开发，而不用放心计算工夫。
挑战：
Western Digital 的工程师须要疾速取得电磁计算模仿的后果，以疾速决定如何减少其硬盘驱动器的容量，并比竞争对手更快地将性能更好的产品推向市场。
解决方案：
该公司发现，最佳解决方案是在 AWS 中的可大规模扩大 HPC 集群（应用 Amazon EC2 Spot 实例构建）上运行其 CAE 模仿。在一个案例中，Western Digital 使其工程师可能在具备 100 万个 vCPU 的单个 HPC 集群上运行 230 万个模仿作业。
成绩：
将生成后果的工夫从 20 天缩短到了 8 小时，集群在 1 小时 32 分内增长到一百万个 vCPU，并全负荷运行了 6 小时，其老本仅是在本地集群上运行模仿的一半。在容量和配置方面实现极高的可扩展性，并且无需进行大量的后期投资或陷入传统基础设施的泥潭。
四、建设信念并成长
- 升高 CAE 模仿老本，并且可能承接超出本地计算能力限度的我的项目。
- 应用 Amazon CloudWatch 监控服务来跟踪 CAE 模仿的进度。
- 自信地承接范畴越来越大的我的项目。
挑战：
TLG Aerospace 在飞机上进行空气动力学模仿，以预测机身四周的压力和温度。该公司心愿升高与运行模仿相干的老本，并取得可扩展性以进行更大规模的模仿。
解决方案：
TLG 利用 Amazon EC2 Spot 实例的劣势，以折扣价应用未应用的 EC2 计算能力。TLG 还应用 Amazon S3 存储桶在云存储数 TB 的模仿数据，并应用可用于 Amazon EC2 实例、提供长久块级存储卷的 Amazon Elastic Block Store (Amazon EBS)。
成绩：
通过应用 EC2 Spot 实例，TLG 将每次 CAE 模仿的老本升高了 75%，并且可能将节俭的老本体现在产品定价上，从而进步业务竞争力。可能从任何中央查看模仿状态，以及早发现问题。打消了容量限度，当初能够竞标范畴更大的我的项目。
五、开释生产力
- 立刻扩大各种最新硬件和应用程序。
- 用于治理模仿用户、我的项目、软件、硬件和估算的访问控制。
- 防止适度预置和浪费资源，同时取得超过本地容量的能力。
挑战：
- “Nissan 面临的挑战在于在治理外部 HPC 零碎的同时利用最新技术创新以满足市场需求。”
——Nissan Motor Corporation 工程与质量体系部总经理 Seiji Kawachiya
解决方案：
Nissan Motor Corporation 决定通过 Rescale ScaleX 平台将其技术计算转移到 AWS，以在按使用量付费模式下取得麻利的基于云平台的解决方案，以最大水平地升高每次模仿的整体老本，并一直采纳最新技术。
成绩：
应用程序和生产力老本优化 18%，HPC 费用升高 50%，排队工夫从两三天缩短到零天。
“车辆开发所面临的跨学科挑战一直减少，这要求企业利用翻新的、具备颠覆性的计算技术来缩短开发周期，从而继续满足客户需要。”
