模拟速度vs.精度:AI和gpu的平衡

在速度和准确性之间总是有一个权衡，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)的结合正在打破平衡，提供两个世界的最佳: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，而这只是一个开始。

模拟用于分析各行业日益复杂的多物理场和系统级现象，包括推进电气化、自主、5G和个性化医疗的下一代产品面临的挑战。万博网它使我们的客户能够解决曾经无法解决的问题，并接受虚拟原型，这有助于节省时间和金钱，同时提高质量。然而，尽管模拟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多年来一直在不断地提供创新。万博

在英伟达GTC，在3月21日至24日举行的全球AI会议上，我将解释Ansys仿真解决方案如何利用AI/ML和NVIDIA gpu来提高客户的生产力，增强现有的加速万博模拟运行的方法，增强工程设计，并提供更大的商业智能见解。这是我演讲的预览。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A100Tensor Core GPU，利用ML软件堆栈。

流体流动人工智能与仿真的结合

当你用Navier-Stokes方程求解大范围流动问题时，用有限元或有限体积方法求解大范围流动问题是很复杂的。你可以通过关注整体的小块来提高速度，然后学习这些小块是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，取一个单一的小的解决方案块，并在不同的区域移动它来解决更大的流模型。

使用这个稳态流求解器作为基础，然后我们可以将其扩展为一个瞬态ML求解器，使用同样的方法关注小区域来加速解决方案，这使我们能够预测流如何随时间变化。所以，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。

我们所做的是采用基于ml的流求解器，并将其与我们的万博Ansys流利这样它就是循环中的求解器。从本质上讲，这使得数据驱动的神经网络能够针对各种流体变量进行大规模训练。

将ML与Fluent集成在管道流体流动和汽车外部空气动力学方面的初步结果表明，使用单个CPU解决问题的时间要快30-40倍。GPU的能力可以提供额外的5-7倍的计算速度，并有潜力使用分布式GPU架构进行扩展。gpu为基于ml的方法提供了巨大的模拟加速潜力。

用AI-ML调整湍流模型

另一个结合ML和仿真的例子是湍流建模。紊流最精确的解算器是直接数值解(DNS)，但这需要大量的时间，所以人们使用称为大涡模拟(LES)的近似方法，它比DNS更快，而且仍然相当准确。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准确，因此我们使用广义k-omega (GEKO)模型来获得LES的精度水平，同时利用RANS的速度优势。然而，识别GEKO参数需要模拟专家的专业知识。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，而不是手动调整以获得LES模型的准确性。

找到放置精细网格的最佳位置

另一个使用ML来寻找关键位置以加速模拟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)或作为3ic堆叠而成的电子芯片封装时，在最精确的水平上模拟它们的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过程。节省了大量的时间。在一个10x10芯片上热法模拟，采用自适应细网格划分可将运行时间从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，您应该只在芯片“热点”上最需要的地方使用较细的网格，而在其他地方使用较粗的网格，以获得快速和准确的结果。使用ML，我们能够自动检测芯片热点，并通过预测温度衰减曲线在需要的地方应用精细网格。

如果您集成了这两个概念——自适应网格划分和自动热点检测——您可以节省大量时间。例如，在一个16mmx16mm的大芯片上，即使是一个200x200微米的粗网格也需要17分钟的运行时间。使用基于ml的自适应网格放置精细的，10x10微米的网格，在他们需要的地方，它运行在2m 40s。它提供了准确性和速度。

在NVID万博IA GTC加入Ansys

我不想透露太多，因为我想让你和我一起参加NVIDIA GTC。我的演讲,人工智能在工程仿真中的应manbet用，将于3月23日星期三下午2点举行。太平洋。您可以免费注册以了解更多关于上述示例的信息，此外，我将分享我们如何使用ML来提高数字孪生的准确性，并加快复合材料结构的复杂并发多尺度结构模拟。

一定要看看我的Ansys同事们的演讲:万博

• 复杂自动驾驶环境的实时雷达和动态摄像机仿真
• Fluent中一种非结构化多gpu隐式CFD求解器