Whoscored(中国·中文)官网-专注足球数据分析的专业平台

AI驱动的CAE仿真

工程仿真领域的核心挑战

现代工程设计面临一个根本性瓶颈：传统的计算机辅助工程(CAE)仿真能够提供高精度结果，但需要巨大的计算时间，通常需要数小时、数天甚至数周。这种漫长的过程严重限制了工程师探索多种设计方案的能力，并阻碍了设计概念与性能分析之间高效反馈循环的建立。解决方案在于利用人工智能创建基于物理的代理模型，这些模型能够在几秒或几分钟内预测仿真结果，同时保持合理的准确性。

图1：CAE的完整参考工作流程，包含数据预处理、AI模型训练、推理部署和交互式可视化等各个阶段。

AI驱动的仿真框架

这种新方法并不是要替代传统求解器，而是对传统方法进行战略性补充。AI代理模型在初始探索阶段表现出色，帮助工程师快速识别有潜力的设计候选方案，随后可以使用精确、可信的传统求解器对这些方案进行验证。这种方法通过支持对庞大设计空间的快速探索，极大地加速了设计过程。

该框架基于NVIDIA的综合技术栈构建，包含四个无缝协作的互联组件。首先，NVIDIA PhysicsNeMo Curator负责数据预处理，组织和处理工程数据集以简化AI模型训练工作流程。其次，NVIDIA PhysicsNeMo提供核心框架，用于构建和训练采用最先进架构的物理AI模型。第三，NVIDIA NIM微服务通过标准API实现简化的部署和推理。最后，NVIDIA Omniverse和Kit-CAE在逼真的3D环境中提供实时交互式可视化功能。

专为物理仿真设计的先进AI架构

PhysicsNeMo支持专门为基于物理的仿真设计的复杂架构。DoMINO(可分解多尺度迭代神经算子)代表了多尺度神经算子的突破性进展，在汽车空气动力学等大规模仿真的流场预测方面表现卓越。该架构通过三个主要阶段运行：全局几何表示学习从点云中提取多尺度编码，局部几何表示对离散评估点进行采样，以及聚合网络创建计算模板以实现准确预测。

图2：DoMINO架构，展示了如何利用点云输入和多尺度几何编码来迭代预测流场，作为复杂汽车空气动力学的可扩展代理模型。

X-MeshGraphNet通过创新解决方案解决了传统图神经网络的局限性，包括带有光晕区域的分区图、直接从3D几何构建的无网格图构造，以及捕获不同尺度交互的多尺度图细化。

图3：X-MeshGraphNet架构概述，显示了其采用分区消息传递的多尺度图神经网络方法，增强了物理仿真的可扩展性。

模型训练的具体实施步骤

对于DoMINO模型的训练，整个过程分为三个明确的步骤。首先需要配置设置，导航到src/conf目录并修改config.yaml文件，该文件允许指定数据、训练和测试的关键参数。在数据部分定义训练和验证数据的路径，以及仿真域的边界框大小。在训练部分设置训练参数，如迭代次数和批处理大小。如果使用缓存数据，应使用conf/cached.yaml而不是conf/config.yaml。

第二步是训练模型，运行train.py脚本即可开始训练。DoMINO模型支持单GPU和多GPU训练，对于分布式训练可以使用torchrun或MPI。如果训练过程因内存不足错误而崩溃，可以在配置文件中调整为体积和表面场采样的点数以管理GPU的内存需求。该模型还支持自动检查点功能，允许在中断时从最新检查点恢复。

第三步是测试模型并可视化结果，训练完成后运行test.py脚本在原始仿真文件上测试模型。需要确保修改配置文件中的eval键以指定检查点、输入和输出目录。测试数据应该是原始仿真格式，而不是处理成.npy文件的格式。预测结果将写入相同的测试文件中，然后可以下载这些验证结果并在Paraview等工具中可视化以评估模型性能。

实时可视化与数字孪生

最终组件集成了NVIDIA Omniverse以提供先进的3D可视化功能。Kit-CAE使工程师能够在逼真的3D环境中探索大型CAE仿真数据集，支持多种科学数据格式，包括HDF5、CGNS、VTK和NumPy。这种集成为实时数字孪生创造了机会，将高保真资产与AI生成的仿真数据相结合。

图4：使用Kit-CAE对预测湍流动能场的体积可视化，显示了该平台在先进3D科学数据可视化方面的能力。

要在Omniverse中可视化DoMINO-Automotive-Aero NIM的预测结果和来自相应STL文件的汽车几何体，需要遵循具体步骤。首先运行推理，使用给定的STL文件调用NIM并将推理结果保存为NumPy存档。然后安装Kit-CAE，克隆GitHub存储库并按照README中的说明构建和启动Kit-CAE样本应用程序。接下来导入文件，使用导入菜单将STL和NPZ文件转换为OpenUSD并导入3D场景，NumPy文件应作为点云数据集导入。最后可视化结果，右键单击导入的NumPy数据集原语，使用上下文菜单运行预定义的CAE算法之一进行数据处理和可视化。

这个综合框架通过支持实时交互式分析来改变仿真驱动的行业，解决了传统运行时间长和设计迭代成本高的挑战，在航空航天、能源、制造和电子等应用领域都有广泛应用价值。AI代理模型的低延迟特性使大型设计空间的交互式探索变得可行，在3D环境中提供即时反馈。

参考来源

[1] Ghasemi, I. Shokar, F. Yang, A. Breazeale, R. Ranade, and F. Hariri, "How to Run AI-Powered CAE Simulations," NVIDIA Technical Blog, Sep. 3, 2025. [Online]. Available: https://developer.nvidia.com/blog/how-to-run-ai-powered-cae-simulations/. [Accessed: Sep. 6, 2025].

END