ANSYS 部落格
April 13, 2021
AI 和 ML 如何改變模擬
在過去的50年中，工程模擬領域發展了數值方法，使工程師能夠更快、更輕鬆地解決 3D 物理問題，並獲得更高的準確性和更可靠的結果。有限元素分析 (FEA)、有限體積法 (FVM) 及時域有限差分法 (FDTD) 提高了求解器的效率，而動態視覺化技術則提升了所謂的使用者友善性。
雖然已取得這麼多進展，但仍存在一些挑戰。特別是模擬需要同時兼顧以下模擬取捨：
1. 結果的準確度
2. 結果的速度
3. 建構流程的易用性
4. 工作流程的穩健性
例如網格產生是多物理解決方案的基石。大家都知道使用較粗糙的網格能夠提高模擬速度，但會損失準確度。同樣地，簡化的工作流程就如同簡化網格也會降低準確度，並可能帶來其他問題，例如模擬未收斂而造成流程失去穩健性。
Ansys 正在探索如何使用人工智慧/機器學習 (AI/ML) 來解決這些問題。
同步進步
AI 的商業化始於 1970 年代，但該領域其實在當時的十年前起，就已隨著基於規則而研發的專家系統開始萌芽。那是最簡單的 AI 形式，系統依靠精心策劃的人類專業知識，來解決通常需要人類智慧才能處理的問題。
我們預期在科學和醫學領域中，AI/ML應用將被廣泛使用，從簡化藥物發現到機器人輔助手術，再到可由全球任何地方的醫療提供者即時訪問的自動化醫療記錄等方面。但是越來越多的產業和使用者都成功地快速採用了 AI/ML。它可協助消費者品牌發掘他們的社交媒體，以瞭解客戶對其產品的感受 (情緒分析)、為投資者提供股票交易機會 (金融演算法交易)，並讓電子商務擁有者能夠為線上購物者提供個人化服務 (推薦引擎)。
在 Ansys，我們可以使用 AI/ML 方法自動找出模擬參數，以同步提高速度和準確度。
我們可以利用AI/ML增強模擬，通過數據驅動方法或物理根據方法訓練神經網絡，從而將模擬時間加速100倍。
我們相信應用 AI/ML 將使我們能夠：
- 進一步提高客戶的生產力。
- AI/ML可以增強模擬，包括加速晶片熱解決方案的開發，以及在局部區域結合高保真度解析和ML方法的流體求解器的開發。
- 最佳化設計空間探索。
- 推動商業智慧決策，例如我們求解器的資源預測需求。
- 結合資料分析型和模擬型數位孿生，以建立準確、快速的數位孿生混合體。
換句話說，我們相信 AI/ML 將幫助我們縮小理想世界 (時間、努力、效率和結果皆為完美平衡) 與現實生活間的差距。它可減少我們對模擬效率、易用性和準確度的取捨。
如需 Ansys 對使用 AI/ML 改善其求解器技術的計劃相關資訊，請註冊參與 NVIDIA GTC 會議中 Prith Banerjee 的簡報。