模拟速度vs.准确性:AI和gpu打破平衡

速度和准确性之间一直存在权衡，但当涉及到模拟时，使用人工智能/机器学习(AI/ML)，与图形处理单元(gpu)相结合，正在打破平衡，提供两全其美的服务:快速创新和更高的信心。通过使用AI/ML增强模拟方法，我们已经看到一些应用程序的速度提高了40倍，而这仅仅是个开始。

仿真用于分析各个领域日益复杂的多物理场和系统级现象，包括推动电气化、自动驾驶、5G和个性化医疗的下一代产品所面临的挑战。它使我们的客户能够解决曾经无法解决的问题，并采用虚拟原型，这有助于节省时间和金钱，同时提高质量。然而，尽管仿真比物理测试和原型设计快很多倍，但市场需要更快的创新，Ansys在过去50多年中一直在提供创新。

在英伟达GTC，在3月21日至24日举行的全球人工智能会议上，我将解释Ansys仿真解决方案如何利用AI/ML和NVIDIA gpu来提高客户生产力，增强现有的加速仿真运行方法，增强工程设计，并提供更大的商业智能见解。下面是我演讲的预览。顺便说一下，我下面提到的所有机器学习算法都是在NVIDIA上运行的A100张量核心GPU和利用ML软件堆栈。

结合人工智能与流体流动仿真

当你用Navier-Stokes方程求解大流量问题时，通过有限单元或有限体积方法求解大区域是很复杂的。你可以通过关注整体的小块来提高速度，然后学习这些小块如何连接在一起来理解更大的区域。这就是ML的用武之地。我们可以创建一个算法，取一个小的解决方案，并将其移动到不同的区域，以解决更大的流模型。

使用此稳态流求解器作为基础，我们可以将其扩展为瞬态ML求解器，使用相同的方法关注小区域以加速解决方案，这使我们能够预测流量如何随时间变化。因此，我们有了基于ml的稳态和瞬态流解的方法。现在，我们需要训练它。

我们所做的是将基于ml的流求解器与我们的Ansys流利求解器，这样它就是求解器在循环中。从本质上讲，这使得针对各种流体变量的数据驱动神经网络的大规模训练成为可能。

该机器学习与Fluent集成的一些初步结果显示，在管道流体流动和汽车外部空气动力学方面，使用单个CPU解决问题的时间缩短了30-40倍。GPU的能力可以提供额外的计算速度提高5-7倍，并有可能使用分布式GPU架构进行扩展。gpu为使用基于ml的方法的模拟加速提供了巨大的潜力。

湍流模型调整与AI-ML

另一个结合ML和仿真的例子是湍流建模。最精确的湍流解是直接数值解(DNS)，但这需要大量的时间，所以人们使用一种近似称为大涡模拟(LES)，它比DNS更快，仍然相当准确。一个更快的近似是Reynolds-average Navier-Stokes (RANS)方程，这就是Fluent所使用的。RANS方程不如LES精确，因此我们使用广义k-omega (GEKO)模型来达到LES的精度水平，同时利用RANS的速度优势。然而，确定GEKO参数需要仿真专家的专业知识。这就是我们应用ML的地方。

使用基于ml的方法，我们自动调整GEKO参数，而不是手动调整，以达到LES模型的精度。

找到最好的地方为精细网格

另一个使用机器学习来寻找关键位置以加速仿真的例子可以在电子领域找到。在模拟由印刷电路板(pcb)上的集成电路(ic)或堆叠为3dic的电子芯片封装时，以最精确的水平模拟其热性能可能需要很长时间。通常，人们通过使用自适应网格技术来加快这一速度。节省的时间是显著的。在10x10的芯片上热法模拟使用自适应精细网格，运行时间可以从4.5小时减少到33分钟。

你可以想一个网作为用来模拟特定现象的信息网格。一个更精细的网格包含更多的信息，需要更长的时间来解决，但更准确。理想情况下，您只会在芯片“热点”上最需要的地方使用更精细的网格，在其他地方使用更粗糙的网格，以获得快速准确的结果。使用机器学习，我们能够自动检测芯片热点，通过预测温度衰减曲线在需要的地方应用精细网格。

如果你把这两个概念——自适应网格和自动热点检测——结合起来，你可以节省大量的时间。例如，在大型16mmx16mm芯片上，即使是200x200微米的粗网格也需要17分钟才能运行。使用基于ml的自适应网格在需要的地方放置精细的10x10微米网格，它在2m 40s内运行。它提供了准确性和速度。

加入Ansys在NVIDIA GTC

我不想透露太多，因为我希望你能和我一起参加NVIDIA GTC。我的演讲,人工智能在工程仿真中的应用，将于3月23日(星期三)下午2时举行。太平洋。您可以免费注册以了解有关上述示例的更多信息，另外我将分享我们如何使用ML来提高数字双胞胎的准确性，并加快复合结构的复杂并发多尺度结构模拟。

一定要看看我的Ansys同事的演讲:

• 复杂自动驾驶环境下的实时雷达和动态摄像头仿真
• Fluent中非结构化多gpu隐式CFD求解器