【行業新聞】利用 AI 和 GPU 突破 CAE 模擬速度與準確性的限制

速度和準確性之間一直在尋找平衡，但在模擬方面，人工智慧/機器學習 (AI/ML)與圖形處理單元 (GPU) 的結合正在打破平衡，以提供兩者最佳效果體驗：快速創新和更高的信心。通過使用 AI/ML 增強模擬方法，我們已經看到某些應用程序的速度提高了 40 倍，而這只是剛開始。 

模擬用於分析跨部門日趨複雜的多物理場和系統級現象，包括推動電氣化、自主性、5G 和客製化醫療的下一代產品所面臨的挑戰。它使我們的客戶能夠解決曾經無法解決的問題，並採用虛擬原型製作，這有助於在提高品質的同時節省時間和成本。然而，儘管模擬比物理測試和原型設計快很多倍，但市場需要更快的創新，而 Ansys 在過去 50 多年裡始終如一的提供這種創新。

 

1. 將 AI 和模擬相結合以實現流體流動

當您使用 Navier-Stokes 方程求解大流量問題時，通過有限元或有限體積方法求解大區域是很複雜的。您可以通過關注整體的小區塊來提高速度，然後學習這些塊如何連接在一起以了解更大的區域。這就是 ML 的用武之地。我們可以創建一種算法來獲取單個小的解決修復方案，並將其移動到不同的區域以解決更大的流模型。 

使用此穩態流動求解器作為基礎，我們可以將其擴展為瞬態 ML 求解器，使用相同的方法關注小區域以加快求解速度，這使我們能夠預測流動將如何隨時間變化。因此，我們擁有基於 ML 的穩態和瞬態流動解決方案的方法。現在，我們將它逐漸精進。 

我們所做的是採用基於 ML 的流求解器並將其與我們的 Ansys Fluent 求解器集成，使其成為循環中的求解器。從本質上講，這可以針對各種流體變量對數據驅動的神經網路進行大規模訓練。

這種 ML 與 Fluent 集成在通過管道的流體流動和汽車外部空氣動力學方面的一些初步結果表明，使用單個 CPU 解決問題的時間快了 30-40 倍。GPU 的強大功能可以提供 5-7 倍的額外計算速度提升，並有可能使用分佈式 GPU 架構進行擴展。GPU 為使用基於 ML 的方法的模擬加速提供了巨大的潛力。

2. 使用 AI-ML 調整湍流模型

另一個將 ML 與模擬相結合的示例是湍流建模。湍流最準確的求解器是直接數值解 (DNS)，但這需要大量時間，因此人們使用稱為大渦模擬 (LES) 的類似方法，它比 DNS 更快且仍然相當準確。更快的近似值是雷諾平均納維-斯托克斯 (RANS) 方程，這是 Fluent 使用的。RANS 方程不如 LES 準確，因此我們使用廣義 k-omega (GEKO) 模型來達到 LES 的準確度水平，同時利用 RANS 的速度優勢。然而，識別 GEKO 參數需要模擬專家的專業知識，這就是我們應用 ML 的地方。使用基於 ML 的方法，我們採用自動而非手動調整 GEKO 參數以達到 LES 模型的準確性。

 

3. 尋找精細網格的最佳位置

在電子領域可以找到另一個使用 ML 找到需要關注的關鍵位置以加速模擬的示例。在模擬由印刷電路板 (PCB) 上的集成電路 (IC) 組成或堆疊為 3DIC 的電子芯片封裝時，以最準確的水平模擬它們的熱特性可能需要很長時間。通常，人們通過使用自適應網格技術來加快這一速度。節省的時間非常可觀。在 10x10 芯片熱方法模擬中，使用自適應精細網格劃分，運行時間可以從 4.5 小時減少到 33 分鐘。

您可以將網格視為用於模擬特定現象的訊息網格。更精細的網格包含更多訊息並且需要更長的時間來求解，但更準確。理想情況下，您只會在芯片“熱點”最需要它們的地方使用更精細的網格，而在其他地方使用更粗的網格以獲得快速和準確的結果。使用 ML，我們能夠自動檢測芯片熱點，通過預測溫度衰減曲線在需要的地方應用精細網格。

如果您將這兩個概念（自適應網格劃分和自動熱點檢測）集成在一起，您可以節省大量時間。例如，在 16mmx16mm 的大芯片上，即使是 200x200 微米的粗網格也需要 17 分鐘才能運行。使用基於 ML 的自適應網格在需要的地方放置精細的 10x10 微米網格，它在 2m 40s 內運行。它提供了準確性和速度。

 

 

想了解更多 Ansys 軟體資訊，歡迎與我們聯繫 !

艾索科技股份有限公司 AISOL Technology

• 電話：02-2500-6210
• 郵件：info@aisol.com.tw