AI-物理模拟机会

作者：Annelies Gamble, Partner @ Zetta

这是两部分系列的第二部分（尽管我最终可能会进一步扩展）。你可以在这里找到第一部分。这是我仍在学习的内容。我对这方面的理解还处于初期阶段，所以请将其视为我与该领域一些专家最近对话的探索，以及我一直在阅读和听取的内容。

来源

在第一部分，我重点介绍了“什么”。什么是 PINNs、神经算子，以及模拟的未来——即人工智能能够学习从几何形状、材料和边界条件到预测系统行为的映射关系这一理念。

这篇文章主要讲的是“在哪里”和“如何做”。在哪里可以找到近期的机会，以及如何将这些方法真正交到工程师手中。

然而，在深入探讨之前，有些人在我发布第一部分后联系我，告诉我他们认为我遗漏了一些内容，所以我想先解决这个问题。

我在第一部分中错过的内容

在发布第一部分后，我收到了几位从事这一领域的人的一些有益反馈。具体来说，我暗示从神经算子到物理基础模型是一个“短距离跳跃”。这低估了这一跳跃实际上有多难，我想在这里纠正这一点。

我最初没有意识到的是，有些物理系统对设置中的微小变化有多敏感。混沌理论告诉我们，你可以将初始条件写到小数点后第五位，然后让系统向前演化，得到一个结果。然而，如果写到第六位，解将完全偏离。所有一切都是确定性的，但微小的精度差异会随着时间产生级联效应。这种现象在流体动力学（例如纳维-斯托克斯方程）、结构力学以及工程师关心的许多其他领域中都有体现。这意味着即使是完美的模型，也可能因为问题设置中的极小变化而产生截然不同的输出结果。这使得泛化变得困难。

我过于简化的第二件事是我如何描述傅里叶神经算子（FNO）。我把它呈现为通向泛化的有前途的早期步骤——在狭窄的环境中确实如此。但我没有充分传达这些环境有多狭窄。FNO 在基础问题具有清晰、规则结构时表现最佳。一旦边界条件变得复杂或几何结构失去规律性，这种方法就开始失效。例如，空气流过一个光滑的矩形通道是 FNO 表现良好的场景。但空气流经带有孔洞、弯曲、尖角和不同材料的机器部件时，情况就不那么简单了。几何形状不规则，边缘发生的事情变得更加重要。FNO 在这里就更难应对。

更广泛地说，我低估了物理建模是一门艺术，而不仅仅是一门科学的程度。相同的控制方程，在不同的计算机架构上实现，操作顺序略有不同，可能会产生不同的数值结果。我与一位人士交谈时，他以喷气发动机设计为例：一些仍在使用的代码可以追溯到1970年代，而公司极不愿意动它。原因不是没有人能把Fortran 77重写成C或Python。而是整个技术栈（模型、数值计算、实现以及围绕它们的验证历史）已经得到了FAA的审核。因此，使用该代码进行的设计变更通常可以在不重新进行物理实验的情况下获得批准。重新实现这套系统意味着每次都要重新提出许多问题，并需要FAA的批准：物理、数值、代码路径或围绕它们建立的批准基础是否发生了变化？从这个意义上说，这里的某些最难跨越的障碍并非纯粹是技术性的。它们还涉及信任以及工具在现有工程工作流程中的深度嵌入程度。

这些都不意味着PINNs或神经算子方面的工作不是该领域的重要一步。但这确实意味着部署的路径比我在第一部分中暗示的更狭窄且更受领域限制。至少在近期内，机会不太可能是一个能够处理所有环境中所有物理问题的单一模型。更有可能的是，进展将来自于从特定领域开始的系统。在某些情况下，这可能表现为建立在昂贵模拟之上的专用替代模型。在其他情况下，这可能表现为一个狭窄的初始切入点，逐步扩展到求解器加速或更广泛的物理智能层。这就是我想在本文剩余部分重点讨论的内容。

今天的机会所在

在 AI 驱动的仿真中，似乎至少出现了两条路径。一种是使用 AI 学习代理模型，以近似昂贵的仿真并加速设计探索。另一种则专注于加速物理计算本身，同时保持基于控制方程的基础。

我最感兴趣的机会并不都严格属于同一范畴，但它们往往具有相同的特征：物理机制足够受限，可以在今天进行建模，工作流程相对结构化，并且有某种途径可以通过可信的模拟或真实世界的测试数据进行验证。

作为早期楔块的热模拟

热管理是最清洁的早期减排手段之一，因为其物理原理相对容易理解，基本方程已确立，并且在许多硬件领域都有验证数据。在许多硬件系统中——无论是半导体、电池、电力电子还是工业设备——热量都是一个重要的约束因素。团队需要了解温度何时何地上升，材料在热应力下的表现，以及这如何影响性能和制造可行性。

这也是一个从工作流程角度出发的有用起点。在许多组织中，热分析仍由专门人员使用专用工具完成，且通常发生在设计的后期阶段，即设计大部分已经确定之后。如果你能够让热分析更快、更易获取且更易使用，同时不牺牲精度，那么你就能改变物理分析在设计流程中出现的时间点以及谁能够实际使用它。

一位亲密的朋友，Hardik Kabaria博士，创立了Vinci，最初专注于半导体电子中的热问题。这个狭窄的起点意味着他们能够快速构建和交付产品。“我们不想花八年时间建立模型然后才交付产品，”Hardik告诉我。

更广泛的目标并不是为每个行业构建不同的模型。Vinci 已经在半导体、电子、电池、国防以及其他硬件密集型领域与客户合作。正如 Hardik 所说，“让我们对广度充满信心的是，基本物理是相同的。机器人手臂、印刷电路板或半导体中的热传递仍然由相同的方程控制，因此我们的目标是一个模型，而不是为每个行业构建不同的模型。”

从那里开始，计划是在同一个基础模型上不断添加更多的物理现象，首先是热机械耦合。因此，尽管切入点较窄，但系统本身是统一的（一个模型，一个代码库），随着时间的推移，可以在此基础上添加更广泛的物理能力。

AI驱动的代理建模

在物理领域，工程师已经在使用模型层次结构：有用于早期设计的简单快速模型，也有用于详细分析的昂贵且细致的模型（比如完整的有限元模拟）。将这些细致模型转化为更廉价简化版本的过程需要深厚的专业知识，且结果因执行者的不同而差异很大。

AI 可以通过运行昂贵的模拟、收集输出数据，然后利用这些数据（结合物理约束）来构建更快速的替代模型，从而自动化完成其中一大部分工作。通过将这些替代模型整合到工作流程中，工程师们就不必经常查询昂贵的模型，并且他们得到的简化模型会比通常手工构建的更加准确。

这是 PINNs 和神经算子等技术今天可能有助于构建更好代理模型的一个领域。话虽如此，代理建模并不是唯一出现的路径。围绕 PINNs 和神经算子的许多学术工作自然适合代理构建，因为这些模型基于训练数据学习从输入到输出的映射。但还有另一类工作专注于加速物理计算本身，而不是学习其近似。

在这些系统中，目标不是用训练好的模型来取代仿真，而是构建仍然基于控制物理规律的架构，同时大幅降低计算成本。这一点很重要，因为许多工程组织仍然需要求解器级别的确定性和设计决策的可追溯性，这使得纯粹的学习型替代模型在生产工作流程中更难部署。

代理模型可能在早期设计探索中发挥重要作用，但也可能存在一条平行路径，人工智能帮助使高保真物理计算更加易于访问和扩展。

减少设置时间并降低专业门槛

在许多多物理场工作中，瓶颈在于预处理阶段。工程师们花费数小时清理几何体，确定如何划分网格，选择边界条件，以及追踪缺失的材料属性。这基本上是将CAD文件转换为可实际模拟对象所需的全部工作。

如果你能缩短设置时间，仿真就能成为团队在设计过程中使用的工具。这不仅使仿真更快，而且改变了谁能真正使用它。当设置过程实现自动化或大幅简化时，仿真不再是只有专业分析师才能运行的东西。它变成了设计工程师或小型硬件团队在迭代过程中、还在探索设计时可以使用的工具。

最初，你仍然必须出现在工程师已经工作的地方：在CAD/CAE内部，或者至少距离它只有一步之遥。如果这是一个带有新文件格式和全新工作流程的独立工具，它不会成为习惯。但如果AI能够减轻足够多的预解算负担，物理学就可以更早地出现在设计循环中，而不仅仅是在验证阶段。

这里还有一个更大的机会：降低提出物理问题所需的专业门槛，同时不降低答案的质量。正如Hardik对我所说，“目标是降低准入门槛，但不能以降低准确性为代价。”

许多人工智能工具可以让专家工作更快一些。更大的突破是让设计工程师、制造团队以及其他相关职能部门能够使用求解器级别的物理仿真，而不必再依赖专门的分析师。

材料性能预测

每当制造出某样东西时，材料的性质都会发生轻微变化，而且很难准确知道具体发生了什么变化。工程师通过不确定性分析来应对这一问题：他们对样品进行物理测试，利用这些测量结果估计材料性质的一个现实范围，然后在该范围内进行分析。几乎不可能完全精确地知道零件中每个点的材料性质。

对于对变化容忍度高的非安全关键部件，粗略的范围通常是可以接受的。但对于涡轮叶片或安装在卫星上的芯片，仿真必须可靠，这意味着材料输入也必须可靠。

人工智能在这里可以通过两种方式提供帮助。一种是改进材料预测本身：缩小不确定性，标记异常，或学习跨制造批次的模式。另一种是使不确定性分析更易处理。在许多当前的工作流程中，工程师会在材料属性的范围内进行参数扫描，以了解设计对变化的敏感度，但这些分析可能计算量大，这限制了团队对不确定性空间的全面探索。

如果模拟变得更便宜或更容易运行，工程师可以评估更多的参数组合，从而更好地了解设计的可靠性范围。从这个意义上说，人工智能不仅可以更准确地预测材料性能，还可以帮助团队更高效地推理不确定性的后果。

实验验证与参数扫描

在仿真和制造之间，通常会有一个验证阶段，工程师们会测试仿真结果在现实世界中是否成立。例如：当温度更高或更低时，这个设计是否仍然有效？如果材料处于容差的低端，会怎样？为了增强对设计的信心，团队会制作原型或使用测试装置，在不同条件下进行参数扫描，并根据需要进行迭代。

这个过程通常既缓慢又昂贵，因为团队必须测试许多不同的配置，以了解设计在哪些方面能够保持稳定，在哪些方面会出现问题。

AI 在这里可以作为实验规划层发挥作用：帮助团队决定先进行哪些测试，哪些参数组合信息量最大，以及如何减少达到置信度所需的物理实验总数。如果你能将验证活动从 200 次减少到 50 次而不遗漏重要的失效模式，投资回报率显而易见。

人工智能在这里也可能发挥作用，通过在实验开始前将更多的探索转移到模拟中。在当今许多工程工作流程中，团队通常运行相对较少的模拟，然后大量依赖物理测试来探索参数空间。如果模拟变得显著更便宜或更易于运行，工程师可以在投入物理原型之前，计算评估更多的条件。

在那个世界里，实验的角色略有变化。实验不再是绘制完整参数空间的工具，而是用来验证已经通过仿真探索过的设计空间中最关键的区域。AI驱动的实验规划显然很有前景，但大规模仿真探索加上有针对性的验证实验的结合，可能同样对于缩短整体开发时间非常重要。

与仿真本身不同，这通常是一种较不成熟的工作流程，现有的软件供应商较少需要被取代。

商业模式问题及其演变过程

由于CAD/CAE技术栈已经非常成熟，对于初创公司来说，一个看似显而易见的路径是集成。发布一个插件并在现有生态系统中运行。

但是作为一个插件是一种陷阱。你依赖的那些现有企业掌控着分发的关键节点。他们可以看到你的下载量、定价和使用情况。正如马修上周告诉我的：“你开发了一个插件并通过他们的应用商店分发，作为回报，他们对你的定价和收入有了完全的掌握。如果它开始奏效，他们就会带着‘收购提议’出现，这其实是一种隐晦的威胁：你生意做得不错……要是你的应用商店访问权限出了什么问题，那就太遗憾了。”

然后是咨询陷阱。如果每次部署都需要为特定客户或领域构建定制模型，那么业务规模化就变得困难，难以超越服务层面。这个挑战因领域专业化似乎仍然难以避免而变得更加严峻，至少目前如此。你不能拿一个为暖通空调系统构建的模型去设计喷气发动机。虽然控制方程在高层次上可能相似，但如上所述，这还远远不够。实际上，这个市场仍然是由多个狭窄的垂直领域组成的集合。

然而，在这两个极端之间可能出现第三种路径。一些公司可能不会定位为插件或定制建模商，而是试图构建独立的物理计算平台，这些平台可以与现有设计工具并行存在，并且可以从多个工作流程（设计、验证、制造或可靠性分析）中调用，而不与单一的 CAD 或 CAE 系统紧密耦合。在这里，产品成为一种物理基础设施，可以服务于工程堆栈的多个部分。

Vinci 是这个理念的一个例子。他们不仅仅专注于更快的仿真，而是致力于更广泛的访问：物理学能否变得更易于访问、使用，并且对设计流程中的更多人来说变得简单？正如 Hardik 对我所说，“这个产品是一个物理智能层，所有人都可以使用。它不仅仅是为热工工程师准备的。如果我在做可制造性检查，物理对我来说也是可访问的。”

这种使用产品人群的变化也改变了围绕它的经济模型。如果目标是让更多人掌握物理知识，传统的基于席位的定价模式可能并不合适。Hardik 认为，一旦物理知识在整个工程组织中广泛可用，瓶颈就会从专家劳动力转移到系统吞吐量。“之前一个热工工程师最多一天可能运行 10 到 100 次模拟，而 Vinci 的系统已经能够支持数千次模拟，”他告诉我。在那样的环境中，定价开始更像是基于计算或使用量的模式。

然后，如果仿真变得更便宜且更易于运行，其价值可能会从销售单个求解器运行转向在整个工程栈中提供可靠的物理计算服务。这种方法可能有助于避免插件依赖问题和咨询陷阱，尽管它在集成、信任和工作流程采用方面引入了自身的挑战。

从模拟到连续物理

在短期内，人工智能广泛取代工程仿真似乎不太可能，特别是对于具有复杂几何形状和不确定输入的最难多物理场问题。在许多场景中，推理的计算成本过高，无法实现持续运行。人才储备有限。而且数据需求巨大：正如我上周提到的，Matthew 的粗略估算是在三维中每个时间步约 200 万个数据点，并且需要跨越数千个时间步。

但是，人工智能物理研究中可能实现的与实际应用于工程工作流程之间的差距正在缩小。

“人工智能的影响不在于取代解决者，而更多在于使物理计算变得更便宜、更易获取，从而成为工程决策的一个持续部分，”Hardik在我们谈话快结束时告诉我。这种转变可能会将物理仿真从一个专门的验证步骤转变为贯穿整个设计过程的持续工程决策层。最终，这或许才是物理基础模型更大的机遇。