nTop und CoreWeave simulieren 10.000 Drohnendesigns per LES in 32 Stunden
nTop und CoreWeave haben nach eigenen Angaben 10.000 Large-Eddy-Simulationen (LES) von Drohnendesigns innerhalb von 32 Stunden durchgeführt, mit nTop Fluids auf der GPU-Cloud von CoreWeave. Die Unternehmen geben an, damit ein Ziel der NASA-Studie CFD Vision 2030 vier Jahre früher erreicht zu haben.
- nTop und CoreWeave haben laut CoreWeave 10.000 Large-Eddy-Simulationen von Drohnendesigns in 32 Stunden durchgeführt.
- Die Studie umfasste 2.400 Varianten der Drohnengrundrissgeometrie bei fünf Anstellwinkeln und nutzte nTop Fluids auf CoreWeave Cloud.
- Der Lauf erfolgte headless, ohne manuelle Eingriffe zur Behebung von Software- oder Infrastrukturproblemen.
- Die Unternehmen geben an, damit ein Ziel der NASA-Studie CFD Vision 2030 vier Jahre früher erreicht zu haben.
- LES ist deutlich rechenintensiver als RANS und blieb bislang meist auf einzelne Berechnungen beschränkt.
Was der Machbarkeitsnachweis untersuchte
Die beiden Unternehmen führten gemeinsam mit dem Physical-AI-Team von CoreWeave einen Proof of Concept durch, um herauszufinden, wie viel ein einzelner Simulationsingenieur in etwa einem Tag leisten kann. Laut CoreWeave simulierte der Testfall die Aerodynamik verschiedener Drohnendesigns, und zwar mit der Software nTop Fluids auf CoreWeave Cloud.
nTop ist eine Plattform für computergestütztes Design und Simulation, die Teams aus Luft- und Raumfahrt, Verteidigung und moderner Fertigung nutzen, um komplexe Geometrien zu erzeugen, mit denen herkömmliches CAD nicht zuverlässig zurechtkommt. Der Solver nTop Fluids berechnet numerische Strömungsmechanik (Computational Fluid Dynamics, CFD) nativ auf GPUs. CoreWeave beschreibt seine Cloud als speziell für KI-Workloads gebaut und mit den neuesten NVIDIA-GPUs beschleunigt.
Wie es in dem Beitrag heißt, lief die gesamte Studie headless, also ohne manuelle Eingriffe zur Behebung von Software- oder Infrastrukturproblemen, und skalierte durchgehend zuverlässig.
Warum die Large-Eddy-Simulation so aufwendig ist
Das Team entschied sich für LES, weil das Verfahren eine höhere Genauigkeit bietet als die Reynolds-gemittelten Navier-Stokes-Methoden (RANS), auf die die meisten Entwicklungsteams setzen. RANS mittelt Turbulenz zu statistischen Näherungen, was schnell geht, aber wichtige physikalische Details verliert. LES löst die großen turbulenten Strukturen der Strömung auf und modelliert nur die kleinsten Skalen. Laut dem Beitrag ist sie dadurch deutlich genauer, aber auch um Größenordnungen rechenintensiver.
Wegen dieses Aufwands blieb LES bislang meist einzelnen „Capability“-Berechnungen vorbehalten und kam nicht in großen Designstudien zum Einsatz. Turbulenz hat praktische Bedeutung: Der Beitrag verweist darauf, dass sie eine wesentliche Ursache für viskosen Widerstand ist und dass rund 30 Prozent des weltweiten Energieverbrauchs darauf entfallen, in Transportsystemen den Luft- und Strömungswiderstand zu überwinden.
Wie die 10.000 Simulationen aufgesetzt wurden
Das Team nutzte eine Versuchsplanung (Design of Experiments), um den Entwurfsraum systematisch zu erkunden. Jedes Design wurde durch parametrische Variablen beschrieben, etwa die Profildicke, die über vorab festgelegte Bereiche variiert wurden. Aus der Abtastung dieser Kombinationen entstand eine vielfältige Population von Drohnengeometrien.
- Berücksichtigt wurden 2.400 Varianten der Drohnengrundrissgeometrie.
- Jede wurde bei fünf Anstellwinkeln getestet, insgesamt ergaben sich 10.000 Simulationen.
- Als Basisgeometrie diente ein vollständig parametrisches Langzeit-UAS mit starrem Flügel der Gruppe 3, das in nTop aufgebaut wurde.
Der Anstellwinkel beschreibt die Ausrichtung des Flügels relativ zur Anströmung, die sich beim Steigen, Sinken oder Manövrieren einer Drohne ändert. Die Tests bei mehreren Winkeln zeigen, wie sich jedes Design über eine Bandbreite von Flugbedingungen verhält. Jede Simulation liefert aerodynamische Felder wie Druck und Geschwindigkeit auf der Drohnenoberfläche und in der umgebenden Strömung sowie Kennwerte wie den Widerstandsbeiwert. Die Unternehmen veröffentlichten außerdem ein Live-Dashboard, mit dem sich die gesamte Testmatrix erkunden lässt.
Die Behauptung zur NASA-Studie CFD Vision 2030
CoreWeave bringt das Ergebnis mit der NASA-Studie CFD Vision 2030 in Verbindung. Diese besagt, Ingenieure müssten in der Lage sein, „ein großes Ensemble verwandter Simulationen in einem zeitkritischen Zeitraum (z. B. 24 Stunden) zu konzipieren, zu erstellen, zu analysieren und zu interpretieren“, um kritische Entwicklungsentscheidungen routinemäßig zu beeinflussen. Der Beitrag argumentiert, zehntausend LES in nahezu eintägiger Laufzeit überbrückten die Lücke zwischen hochgenauer Physik und massiver Kapazitätsrechnung, und bezeichnet die Arbeit als Meilenstein, der dieses Ziel vier Jahre früher erreiche.
Was das für Entwicklungsteams bedeutet
Die Unternehmen präsentieren die Demonstration als Hinweis darauf, was möglich wird, wenn skalierbare Software auf speziell gebaute Infrastruktur trifft: mehr Simulationen, kürzere Durchlaufzeiten und höhere Genauigkeit. CoreWeave argumentiert, Entwicklungsteams und OEMs erwarteten von Cloud-Anbietern zunehmend Automatisierung, automatische Skalierung und Ausfallsicherheit, und verweist unter Berufung auf eine Studie darauf, dass Kubernetes HPC-Anwendungen ohne messbare Leistungseinbußen gegenüber Bare Metal ausführen könne.
Der Beitrag stellt den Proof of Concept als Beispiel für Cloud-HPC dar, die die Leistungserwartungen klassischer HPC-Workflows erfüllt und zugleich die Portabilität und Automatisierung cloudnativer Infrastruktur bietet. Die Ergebnisse stammen aus dem eigenen Testfall der Unternehmen mit einer einzigen Drohnengeometrie, weitergehende Aussagen müssten daher durch zusätzliche Tests abgesichert werden.
