这是一个关于CMAQ、WRF-Chem模型与机器学习的研究笔记
计算效率与性能优化评估报告:WRF-Chem 2D-VBS 的 GPU–CPU 异构加速
WRF-Chem 中包含 2D-VBS 过程的 KPP 求解器是计算开销较大的部分,我们尝试用机器学习模型替代其中的计算,并把模型部署在 GPU 节点上(NVIDIA A800 + TensorFlow Serving),让 CPU 节点上的 WRF-Chem 通过 HTTP/gRPC 调用 GPU 节点完成推理,以此考察 GPU–CPU 异构计算在真实业务中的计算效率。整体来看,相同的推理任务下 GPU 节点的延迟比 CPU 低约 4.7 到 7.5 倍,batch size 越大优势越明显;纯 CPU 并行在 32 核之后几乎不再有收益,而一块 GPU 配合单个 CPU 核就能把 2D-VBS 耗时从约 79 秒降到约 19 秒,配合 4 至 8 个核时相对单核 CPU 基线的加速超过 10 倍。进一步的分析表明,一次 gRPC 请求中网络与框架的开销只有约 3 ms(3.2%),推理本身占 96.8%,瓶颈并不在网络;而单请求下 GPU 真正执行内核的时间只占 40%,服务端对并发请求又基本是串行处理,延迟随并发数近似线性增长。 ...