Conferencia NAFEMS DACH 2026 | Open iT: Gestión de activos de software | Seguimiento de licencias de software

Título

Optimización del uso de los recursos de HPC: lecciones aprendidas del CFD regulado en el automovilismo de élite

Altavoz

Open iT
Heinrich Bartels

Resumen

La ingeniería de élite en el mundo del automovilismo de monoplazas se desarrolla en un entorno en el que el rendimiento viene determinado por márgenes extremadamente reducidos y en el que la eficiencia aerodinámica es el factor dominante que influye en los resultados de las carreras. La aerodinámica afecta directamente a la estabilidad en la frenada y al rendimiento en las curvas, y el agarre aerodinámico supera al agarre mecánico en un factor de cuatro a cinco. En un sistema tan estrechamente interrelacionado, incluso pequeñas ineficiencias pueden traducirse en la pérdida de posiciones, mientras que mejoras aerodinámicas relativamente menores pueden suponer reducciones en los tiempos por vuelta del orden de 0,1 a 0,3 segundos. Estas condiciones elevan la Dinámica de Fluidos Computacional (CFD) de ser una herramienta de apoyo a convertirse en un factor clave del rendimiento competitivo, lo que hace que la eficacia de cada simulación sea de vital importancia.

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.

En este marco, el CFD se convierte en un recurso finito y cuantificable. Su consumo se cuantifica mediante una métrica estandarizada: AUh = (NCU × NSS × CCF) / 3600, donde NCU representa el número de CPU, NSS el tiempo de ejecución en segundos y CCF la velocidad de reloj de la CPU. Cada simulación consume una parte definida de una asignación fija que no puede superarse, y cualquier capacidad no utilizada se pierde. Esto establece un límite estricto dentro del cual debe desarrollarse todo el trabajo de desarrollo aerodinámico, desplazando el enfoque del número total de simulaciones realizadas hacia la maximización del número de simulaciones útiles que contribuyen a la mejora del rendimiento.

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.

Este cambio sitúa la optimización de la HPC en el centro del rendimiento de la ingeniería. El objetivo no es aumentar el uso total de la capacidad de cálculo, sino mejorar la eficiencia con la que se utilizan los recursos existentes, de modo que se puedan completar simulaciones más significativas dentro de la misma asignación. Cada ineficiencia en el sistema de HPC reduce directamente el número de simulaciones CFD que se pueden realizar, lo que convierte el rendimiento del sistema y la utilización de los recursos en factores críticos para el éxito competitivo.

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.

Por ejemplo, las simulaciones que parecen requerir un uso intensivo de la capacidad de cálculo pueden verse limitadas en realidad por el ancho de banda de la memoria o la latencia, lo que impide que las CPU funcionen a plena eficiencia. Las cargas de trabajo distribuidas pueden sufrir conflictos de interconectividad o de red, lo que reduce la escalabilidad entre los nodos. Los sistemas de almacenamiento pueden limitar el rendimiento debido a patrones ineficientes de acceso a los datos, mientras que el consumo energético y los límites térmicos pueden provocar una limitación de rendimiento que reduzca la velocidad efectiva de procesamiento. Además, las cargas de trabajo paralelas están intrínsecamente limitadas por componentes no paralelizables, lo que significa que aumentar el número de CPU no siempre se traduce en una mejora proporcional del rendimiento.

Estos desequilibrios ponen de manifiesto un reto fundamental: la eficiencia global de la HPC no viene determinada por la cantidad total de recursos disponibles, sino por el grado de coordinación y aprovechamiento de dichos recursos. Cuando una limitación predomina, no es posible aprovechar al máximo el resto del sistema, lo que se traduce en una reducción del rendimiento y un aumento del coste computacional por simulación.

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.

En algunas situaciones, el análisis puede indicar que se necesita capacidad adicional de HPC. Sin embargo, esta decisión debe basarse en una comprensión clara de qué recurso está limitando el rendimiento. Añadir nodos de cálculo a un sistema limitado por el ancho de banda de la memoria, la E/S de almacenamiento o el rendimiento de la red no mejorará el rendimiento y puede aumentar los costes operativos sin aportar beneficios significativos. Por el contrario, cuando los recursos están bien equilibrados y se aprovechan al máximo, ampliar la capacidad puede proporcionar mejoras cuantificables en el rendimiento y la productividad.

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.

Las empresas deben encontrar un equilibrio entre dos objetivos: completar las simulaciones necesarias lo antes posible y reducir el coste de los recursos de HPC necesarios para obtener esos resultados. Para un número fijo de simulaciones, mejorar la eficiencia del sistema puede reducir el tiempo de cálculo, disminuir el consumo energético y reducir los costes de las licencias. En muchos casos, un mejor equilibrio de los recursos puede permitir completar la misma carga de trabajo con menos recursos computacionales, lo que reduce directamente el gasto total.

Esto plantea un importante paralelismo con la Fórmula 1. En un entorno regulado, la ineficiencia reduce el número de simulaciones que se pueden realizar con un presupuesto fijo. En un entorno comercial, la ineficiencia aumenta el coste necesario para realizar un número determinado de simulaciones. Aunque las limitaciones son diferentes, el reto subyacente es el mismo: garantizar que los recursos de HPC se utilicen de la forma más eficaz posible.

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.

Al establecer bucles de retroalimentación entre las mediciones del sistema y las decisiones operativas, las organizaciones pueden mejorar de forma gradual tanto el rendimiento como la eficiencia a lo largo del tiempo. Este enfoque permite un uso más eficaz de la infraestructura existente, reduce los costes innecesarios y garantiza que cualquier inversión adicional en recursos de HPC aporte un valor significativo.

Conclusión:

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.