NAFEMS DACH-Konferenz 2026 | Open iT: Software-Asset-Management | Software-Lizenzen nachverfolgen

Titel

Optimierung der HPC-Ressourcennutzung: Erkenntnisse aus der regulierten CFD im Elite-Motorsport

Sprecher

Open iT
Heinrich Bartels

Zusammenfassung

Die Technik im Elite-Formel-Motorsport bewegt sich in einem Umfeld, in dem die Leistung von extrem geringen Abständen bestimmt wird und in dem die aerodynamische Effizienz der entscheidende Faktor für den Rennerfolg ist. Die Aerodynamik wirkt sich direkt auf die Bremsstabilität und das Kurvenverhalten aus, wobei der aerodynamische Grip den mechanischen Grip um das Vier- bis Fünffache übertrifft. In einem derart eng verzahnten System können bereits kleine Ineffizienzen zum Verlust von Positionen führen, während relativ geringfügige aerodynamische Optimierungen Verbesserungen der Rundenzeiten in der Größenordnung von 0,1 bis 0,3 Sekunden bewirken können. Diese Bedingungen heben die numerische Strömungsmechanik (CFD) von einem unterstützenden Werkzeug zu einem zentralen Faktor für die Wettbewerbsleistung, wodurch die Effektivität jeder einzelnen Simulation von entscheidender Bedeutung ist.

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.

In diesem Rahmen wird CFD zu einer begrenzten und messbaren Ressource. Der Verbrauch wird anhand einer standardisierten Kennzahl quantifiziert: AUh = (NCU × NSS × CCF) / 3600, wobei NCU die Anzahl der CPUs, NSS die Laufzeit in Sekunden und CCF die CPU-Taktfrequenz bezeichnet. Jede Simulation verbraucht einen festgelegten Anteil einer festen Zuteilung, der nicht überschritten werden darf, und nicht genutzte Kapazitäten verfallen. Dadurch entsteht ein strenger Rahmen, innerhalb dessen die gesamte aerodynamische Entwicklung stattfinden muss, wodurch der Fokus von der Gesamtzahl der durchgeführten Simulationen hin zur Maximierung der Anzahl nützlicher Simulationen verlagert wird, die zur Leistungssteigerung beitragen.

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.

Durch diese Verlagerung rückt die HPC-Optimierung in den Mittelpunkt der technischen Leistung. Das Ziel besteht nicht darin, den gesamten Rechenaufwand zu erhöhen, sondern die Effizienz bei der Nutzung vorhandener Ressourcen zu verbessern, damit innerhalb derselben Zuweisung aussagekräftigere Simulationen durchgeführt werden können. Jede Ineffizienz im HPC-System verringert direkt die Anzahl der durchführbaren CFD-Läufe, wodurch die Systemleistung und die Ressourcenauslastung zu entscheidenden Faktoren für den Wettbewerbserfolg werden.

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.

So können beispielsweise Simulationen, die auf den ersten Blick rechenintensiv erscheinen, tatsächlich durch die Speicherbandbreite oder Latenz eingeschränkt sein, wodurch die CPUs nicht mit voller Effizienz arbeiten können. Verteilte Workloads können mit Interconnect- oder Netzwerkkonflikten konfrontiert sein, was die Skalierbarkeit über die Knoten hinweg einschränkt. Speichersysteme können die Leistung durch ineffiziente Datenzugriffsmuster begrenzen, während Stromverbrauch und thermische Grenzen zu einer Drosselung führen können, die die effektive Verarbeitungsgeschwindigkeit verringert. Zudem sind parallele Workloads naturgemäß durch nicht parallelisierbare Komponenten begrenzt, was bedeutet, dass eine Erhöhung der Anzahl der CPUs nicht immer zu proportionalen Leistungssteigerungen führt.

Diese Ungleichgewichte verdeutlichen eine zentrale Herausforderung: Die Gesamteffizienz von HPC wird nicht durch die Gesamtmenge der verfügbaren Ressourcen bestimmt, sondern davon, wie gut diese Ressourcen aufeinander abgestimmt und genutzt werden. Wenn ein Engpass dominiert, kann der Rest des Systems nicht voll ausgeschöpft werden, was zu einem geringeren Durchsatz und höheren Rechenkosten pro Simulation führt.

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.

In manchen Fällen kann eine Analyse ergeben, dass zusätzliche HPC-Kapazität erforderlich ist. Diese Entscheidung muss jedoch auf einem klaren Verständnis darüber beruhen, welche Ressource die Leistung einschränkt. Das Hinzufügen von Rechenknoten zu einem System, das durch Speicherbandbreite, Speicher-E/A oder Netzwerkleistung begrenzt ist, verbessert den Durchsatz nicht und kann die Betriebskosten erhöhen, ohne nennenswerte Vorteile zu bringen. Umgekehrt kann eine Kapazitätserweiterung, wenn die Ressourcen gut ausbalanciert und vollständig ausgelastet sind, zu messbaren Verbesserungen bei Leistung und Produktivität führen.

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.

Wirtschaftsunternehmen müssen zwei Ziele gegeneinander abwägen: die erforderlichen Simulationen so schnell wie möglich durchzuführen und die Kosten für die HPC-Ressourcen zu senken, die zur Erzielung dieser Ergebnisse benötigt werden. Bei einer festen Anzahl von Simulationen kann eine Verbesserung der Systemeffizienz die Rechenzeit verkürzen, den Energieverbrauch senken und die Lizenzkosten verringern. In vielen Fällen lässt sich durch eine bessere Ressourcenverteilung dieselbe Arbeitslast mit weniger Rechenressourcen bewältigen, was zu einer direkten Senkung der Gesamtkosten führt.

Hier ergibt sich eine wichtige Parallele zur Formel 1. In einem regulierten Umfeld führt Ineffizienz dazu, dass innerhalb eines festgelegten Budgets weniger Simulationen durchgeführt werden können. In einem kommerziellen Umfeld erhöht Ineffizienz die Kosten, die für die Durchführung einer bestimmten Anzahl von Simulationen anfallen. Auch wenn sich die Rahmenbedingungen unterscheiden, ist die zugrunde liegende Herausforderung dieselbe: sicherzustellen, dass HPC-Ressourcen so effektiv wie möglich genutzt werden.

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.

Durch die Schaffung von Rückkopplungsschleifen zwischen Systemmessungen und operativen Entscheidungen können Unternehmen im Laufe der Zeit sowohl ihre Leistung als auch ihre Effizienz schrittweise verbessern. Dieser Ansatz ermöglicht eine effektivere Nutzung der vorhandenen Infrastruktur, reduziert unnötige Kosten und stellt sicher, dass jede zusätzliche Investition in HPC-Ressourcen einen sinnvollen Mehrwert liefert.

Schlussfolgerung

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.