華東師範大學河口海岸學國家重點實驗室葛建忠教授團隊作為國際先進海洋數值模型 FVCOM 開發團隊核心成員，随着 FVCOM 的發展和應用越來越廣泛，以及行業不斷提升的對預報精度與時效性要求，算力需求劇增，借助 NVIDIA GPU 加速計算技術，不僅實作了傳統動力學數值模型的百倍計算加速，造福了海洋預報、水利工程等具體應用領域，也為海洋模型系統向人工智能模型轉型以及人工智能海洋學的發展提供了關鍵的基礎資料生成工具和方法，是人工智能技術進一步應用于海洋領域的重要基石。
海洋預報數值模型計算負載劇增
随着自然災害越來越頻發，為災害過程防禦提供技術支撐的數值預報系統對“精确、及時、高效、穩定”有着越來越高的需求，特别是随着集合預報模型的研發和應用帶來了數值模型計算量的急劇上升（比如在集合預報中計算量與集合樣本數量成正比，是單個模型計算的數十倍），超大的計算負載給預報業務機關和超算中心帶來了極大的壓力，而預報系統又具有“高時效”的特點，要盡可能地控制計算量，進而提高預報時效。與此同時，河口生态、生物地球化學過程模型具有變量多、過程複雜的特點，其計算量一般是動力模型的 10 倍以上。潮灘濕地植被斑塊及潮溝系統、近海工程、海上風電場等模型一般都要求小于 5 米的空間分辨率，這也造成了模型計算量顯著增大。
面對計算量劇增的挑戰，實驗室目前的計算架構主要采取基于 CPU 的多核計算節點擴充方案為主，以增加核數、節點來應對，這對高性能叢集的建設和運維提出了更高的要求，也進一步提高了數值模型應用和拓展的門檻。
采用 OpenACC 架構加速 FVCOM 模型
為了解決數值模型計算負載劇增這一難點問題，華東師範大學河口海岸學國家重點實驗室葛建忠教授團隊調研分析了目前的主要 GPU 加速計算技術，包括 CUDA、OpenACC、stdpar、Kokkos、OpenCL 等，并與 NVIDIA 技術團隊進行了詳細讨論和分析，結合 FVCOM 模型代碼的複雜度，選擇了 OpenACC 為主的技術路線，并于 2023 年初開始相關代碼遷移工作，并在 2023 年 8 月參加了 NVIDIA 舉辦的武漢大學 GPU Hackthon 活動，得到了專業的技術支援，解決了多個關鍵技術難點，于 2023 年底完成了主要代碼的遷移、測試和驗證工作。
為降低大規模數值模型的使用門檻，模型代碼的遷移和測試都在一台搭載 NVIDIA GeForce RTX 40 系列 GPU 的台式電腦上完成，并在 2023 年初完成部署的超算中心計算節點上采用 CPU 進行對比，該計算節點為 Intel Xeon Gold CPU，遷移後的模型支援正壓、斜壓、泥沙、植被等關鍵模型，并支援全部外部驅動包括風場、熱通量、降雨、離線流場、嵌套檔案的高效傳輸，也可進行單精度、雙精度計算的自由切換。遷移後模型相關的輸入、輸出和控制檔案未發生任何變化，可以适用于原有 FVCOM 的相關應用。
加速對比測試選擇 10 萬、35 萬、100 萬、150 萬、200 萬水準方向網格等模型，所有模型都在 RTX GPU 上進行單精度模式計算，并采用計算節點進行單線程運作相同模型。相對于 CPU 單線程計算速度，采用 OpenACC 技術的 FVCOM 模型分别達到了 88、181、194、195、198 倍的加速比（圖 1）。在此基礎上采用編譯器控制選項可以在同一套代碼上靈活切換 CPU 或者 GPU 模式，且經檢驗，CPU 和 GPU 加速模型都得到一緻的模拟結果。在單精度 FVCOM 的前提下，一個 RTX GPU 的計算能力在不考慮網絡交換的情況下相當于超算叢集的 3.5 個 64 核計算節點，在考慮節點間網絡交換延遲時可相當于 5 個節點。
圖 1：單精度 GPU-FVCOM 加速實驗結果
該模型可在 NVIDIA 加速計算架構體系内高效擴充，将 10 萬、35 萬、100 萬、150 萬網格模型再調整為雙精度模式，采用單個 NVIDIA Ampere Tensor Core GPU 進行加速計算，分别達到了 48、77、139 和 135 的加速比，顯示了對雙精度模式也有良好的加速效果。在多個 GPU 計算節點的情況下，也可采用 MPI+OpenACC 方式支援多 GPU 并行計算。
圖 2：雙精度 GPU-FVCOM 加速實驗結果
超百倍計算加速造福海洋預報
目前，FVCOM 模型在海洋預報、海洋工程與作業等領域應用極為廣泛。以國内外近海海洋預報業務為例，FVCOM 已經成為大陸沿海省、市、區各級海洋預警預報部門開展業務化預報工作的主要模型選擇。海洋預報業務的發展趨勢是不斷提升對預報精度與時效的要求，二者都意味着巨大的算力需求，而将 FVCOM 模型實作 GPU 加速是解決實際應用中劇增的算力需求的有效途徑。
采用 GPU 加速的預報模型可以将預報時效從小時級别降低到分鐘級，甚至秒級。顯著的效率提升也釋放了模型進一步采用更高網格分辨率進而提高模拟精度的潛力。
另一方面，業務部門對于台風風暴潮等事件的集合預報愈發重視。集合預報是指針對不同的初始條件或驅動要素（例如台風演化過程）的擾動，計算出多個可能的未來情形，以考慮預報中的不确定性。這就對模型的計算速度提出了更大的挑戰，而 GPU 加速能夠很好地加以應對。
在水利工程領域，FVCOM 模型也已廣泛用于工程可行性分析與評估。尤其是在工程前期研究階段，需要借助數值模型對多種施工建設方案的效果進行模拟評估，多工況計算對傳統模型也造成了極大挑戰。實作 GPU 加速進而更快地給出論證結果，則可以切實地提高工程推進效率，節省工期。
此外，本項目所實作的案例具有較高的啟示意義與推廣價值，例如 OpenACC 技術方案還可以應用在其他近海和海洋數值模型系統。在采用結構化網格的模型中（如ROMS、ECOM、POM 等），該方案甚至可能實作更好的加速效果。本次實踐也證明，GPU 加速能夠極大地降低河口、海岸、海洋研究和工程應用領域進行數值模拟所需的硬體門檻，為學科發展、業務應用都提供了巨大幫助。
目前，海洋數值模型正經曆其發展曆程中的最大轉型，即從基于動力學機制與方程的傳統海洋數值模型轉型為基于機器學習（深度學習）等方法的人工智能模型。而人工智能模型對資料的需求與依賴巨大，其訓練通常離不開海量的、可靠的資料。然而，海洋系統中的實測資料，相較于海洋巨大的空間尺度以及所關切問題的具體時間範圍，總是稀缺的。數值模型則可以為人工智能模型提供大量的基礎訓練資料，也是當下保障資料範圍與品質最有效的途徑之一。例如，葛建忠教授團隊已經用實作 GPU 加速的 FVCOM 模型系統計算了中國近海 1960 – 2023 年海洋流場和生态動力過程，用該三維高分辨率模型生成了超 20TB 容量的同化資料産品。随後，通過利用 NVIDIA 開發的基于 AFNO 架構的 FourCastNet 模型對該資料集開展訓練，他們實作了對河口及近海動力學過程的快速推演與分析。此外，他們還采用實作 GPU 加速的 FVCOM 模型高效快速地計算了超過 1000 個台風風暴潮過程樣本，用于訓練一個基于深度學習方法的風暴潮預報模型。這兩個資料集的建構，若采用傳統的、未經加速的數值模型，所耗費的時間成本将高出百倍以上。
綜上，采用 OpenACC 架構的 FVCOM 為傳統動力學數值模型提供了超過百倍的計算加速。這樣的效率提升不僅直接造福了海洋預報、水利工程等具體應用領域，也為海洋模型系統向人工智能模型轉型以及人工智能海洋學的發展提供了關鍵的基礎資料生成工具和方法，是人工智能技術進一步應用于海洋領域的重要基石。
團隊介紹
華東師範大學河口海岸學國家重點實驗室葛建忠教授團隊長期緻力于海洋數值模型的研發與應用，是國際先進海洋數值模型 FVCOM 開發團隊核心成員，主持開發了其中導堤-丁壩、細顆粒粘性泥沙、浮泥、河流閘門、植被、藻類漂移生長等 FVCOM 核心子產品，并參與開發了波流共同作用、FVCOM-ERSEM 生物地球化學等子產品。此外，該團隊也建立了中國海-長江口多空間尺度實體-生物地球化學耦合數值模拟系統。
葛建忠教授團隊基于 FVCOM 架構，主要聚焦高濃度泥沙、實體-生物地球化學耦合過程、台風風暴潮等方面的研究，并針對長江河口、黃海、浙閩沿海、珠江口和北部灣等國内典型河口海岸區域進行了應用研究。在德國的易北河口、漢堡港、越南的岘港等區域，該團隊也開展了相關合作和應用研究，其相關成果也為國家海洋與水利等部門的黃海浒苔防治、風暴潮預報、鹹潮入侵防禦等方面提供了多項技術支撐。
*注：本文中圖檔來自華東師範大學河口海岸學國家重點實驗室葛建忠教授團隊