Thèse Exploration du Parallélisme à Base de Tâches pour le Raffinement Dynamique des Maillages sur Architectures Fortement Accélérées H/F - 33

Établissement : Université de Bordeaux
École doctorale : Mathématiques et Informatique
Laboratoire de recherche : LaBRI - Laboratoire Bordelais de Recherche en Informatique
Direction de la thèse : Raymond NAMYST ORCID 0000000177341258
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-04T23:59:59

La simulation numérique en dynamique des fluides ou en acoustique s'appuie souvent sur la discrétisation d'objets physiques sous forme de maillages structurés (e.g. grilles 3D) construits récursivement. Pour garantir uen précision élevée des calculs aux endroits du domaine où les grandeurs physique évoluent rapidement et où leur gradient est élevé, il est nécessaire de contraindre la taille des cellules du maillage à une valeur maximale. Cependant, l'utilisation uniforme de petites cellules n'est pas nécessaire sur tout le domaine. Aussi, pour éviter une consommation de ressources mémoire et une quantité de calculs excessives, il est nécessaire d'adapter la taille des cellules du maillage en fonction de la solution numérique. C'est ce que l'on appelle le raffinement dynamique de maillage (i.e. AMR pour Adaptive Mesh Refinment).

L'implémentation parallèle de simlulations AMR a été extensivement étudiée sur architectures multicoeurs distribuées, en s'appuyant sur des outils classiques tels que MPI pour les communications entre noeuds de la machine et OpenMP pour le parallélisme intra-noeud.

Aujourd'hui, l'évolution de l'architecture des supercalculateurs rend nécessaire de repenser la façon dont sont conçues ces simulations. Ces machines sont de plus en plus hétérogènes, avec des accélérateurs (e.g. GPU) de plus en plus puissants (typiquement 4 par noeuds). Désormais, la puissance de calcul de ces machines provient à plus de 95% des accélérateurs de calcul.
Assurer une bonne performance de ces simulations sur ces architectures hétérogènes est un défi majeur. En effet, les accélérateurs de calcul sont conçus pour exécuter efficacement des tâches massivement parallèles, mais les simulations AMR sont caractérisées par une charge de travail dynamique et irrégulière, ce qui impose probablement l'utilisation d'un compromis entre consommation mémoire et exploitation efficace des unités de calcul.
L'objectif général de la thèse est donc d'étudier, dans le cadre d'un framework de développement de codes AMR, différentes techniques de gestion du parallélisme hiérarchique et dynamique capables d'exploiter efficacement les architectures multiGPU modernes.

Plus précisément, on s'intéressera au framework SAMURAI dévepppé en C++ à l'Ecole Polytechique, qui présente une architecture originale pour l'AMR fondée sur des structures de données à intervalles qui facilitent la gestion des niveaux de raffinement et des opérations de mise à jour du maillage.

On s'appuiera également sur le support d'exécution StarPU, développé à Bordeaux par l'équipe Storm depuis 2008, qui offre un environnement de programmation à base de tâches pour les architectures hétérogènes. StarPU permet de définir des tâches de calcul et de gérer leur exécution sur différentes ressources de calcul (CPU, GPU) en fonction de leur disponibilité et de leur charge de travail.

Récemment, les travaux de thèse de Gwénolé Lucas et Thomas Morin ont introduit dans StarPU un mécanisme de tâches récursives particulièrement adapté aux structures hiérarchiques. Ce mécanisme offre de nouvelles perspectives pour l'implémentation d'applications à structures de données arborescentes, comme celles utilisées dans les codes AMR par exemple.

Dans cette thèse, il s'agira donc de :

comprendre comment le raffinement adaptatif de maillage peut être efficacement implémenté sur un GPU
chercher comment obtenir un compromis optimal entre un raffinement purement guidé par la physique et un raffinement forcé par endroits pour rendre le parallélisme plus homogène
envisager l'utilisation du parallélisme inter-noyaux sur GPU pour exécuter concurremment différentes granularités de calcul
étendre la gestion du parallélisme hiérarchique de StarPU pour permettre la mise en oeuvre efficace des techniques précédentes
intégrer les techniques développées dans le framework SAMURAI et évaluer leur performance sur des cas de test représentatifs