ОбзорSimcenter PhysicsAI обучает дата‑ориентированные суррогатные модели на основе исторических CAE‑результатов, чтобы предсказывать скалярные KPI и 3D‑поля непосредственно на сетках или CAD‑входах. С использованием геометрического глубокого обучения платформа выявляет соответствия «форма→характеристики» в разных физических областях и формирует предсказания, значительно быстрее традиционных запусков солверов, что обеспечивает расширенную проработку конструкций и сокращение физических прототипов.
Ключевые преимущества- Быстрые предсказания (ускорение зависит от случая; сокращает время исследования пространства конструкций)
- Независимость от солвера: прием нативных CAE‑результатов без преобразования формата
- No‑code рабочие процессы, позволяющие многопрофильным командам запускать AI‑предсказания на инженерных моделях
- Прямая работа с сложной геометрией и топологией через геометрическое глубокое обучение для 3D‑полей
- Встроенная оценка похожести / обнаружение вне распределения, указывающая, когда рекомендована валидация с полной точностью
- Гибкие варианты развертывания: локально on‑premises, в защищённом HPC или облаке с сохранением контроля над ИС
Основные возможности- Работает с нативными CAE‑сетка и CAD‑моделями для улучшения совместимости и повторного использования унаследованных симуляционных ресурсов
- Обучает модели непосредственно на данных сетки/CAD без ручного выделения признаков
- Обнаруживает геометрии вне распределения с помощью метрик похожести для снижения риска предсказаний
- Интегрируется в существующие CAE‑потоки (например: Simcenter Hypermesh, Simcenter Simlab, Simcenter Inspire)
- Поддерживает ускоренное обучение на GPU (рекомендуется) и CPU/HPC‑окружения
Сценарии использования и результаты- Быстрая оценка большого числа концепций для увеличения числа итераций по сравнению с циклами только на солверах
- Снижение затрат на прототипирование и испытания за счёт использования AI‑предсказаний на ранних этапах проектирования
- Поддержка оптимизации материалов и процессов для сокращения отходов и повышения устойчивости
- Пример: ускорение разработки упаковки с почти мгновенными предсказаниями, давшими экономию затрат и высокое соответствие полной FEA в проверенных случаях
Как это работаетSimcenter PhysicsAI обучает суррогатные модели на исторических результатах симуляций, используя геометрическое глубокое обучение для изучения маппинга геометрия→производительность. Платформа выдаёт полевые или скалярные предсказания для новых геометрий, предоставляет количественные метрики валидации (например, MAE) и помечает случаи вне распределения через показатель похожести для дополнительной проверки с помощью full‑fidelity симуляции.
Технические характеристики- Продукт: Simcenter PhysicsAI (программное обеспечение)
- Подход: геометрическое глубокое обучение, работающее напрямую на сетках и CAD‑моделях
- Поддержка солверов: независимый приём нативных CAE‑результатов
- Предсказания: 3D‑полевые предсказания и KPI‑выходы в зависимости от данных обучения
- Производительность: обеспечивает предсказания до ~1000x быстрее традиционных солверов (зависит от случая)
- Данные для обучения: эффективность зависит от сложности задачи; практическая оценка рекомендована после ~10 репрезентативных файлов; для надёжных моделей часто требуется десятки—сотни файлов
- Развёртывание: локально on‑premises, HPC или облако; для ускоренного обучения рекомендуется GPU (поддерживаются современные архитектуры NVIDIA)
- Интеграция: нативные аддоны/интеграции с Simcenter Hypermesh, Simcenter Simlab, Simcenter Inspire и другими CAE‑потоками
- Безопасность/доверие: включает обнаружение похожести (OOD) для указания случаев, требующих валидации полной точности
- Типичные области: структурный анализ (FEA), CFD, электромагнетизм, симуляции производства/процессов и другие физические домены