AI赋能仿真：技术变革的隐形引擎

仿真技术的核心价值——AI的角色定位

我们可以把人工智能看作是一组加速器和辅助工具，主要功能包括：

（1）降低数值计算的负担；

（2）优化繁琐的设置及报表流程；

（3）在特定场景验证通过后，扩大在常规预算和时间范围内可探索的设计领域。

提升求解速度且不牺牲鲁棒性（稳定性）：

人工智能（AI）结合区域分解技术

在大型模型中，区域分解法（DDM）把复杂难题拆解为可并行处理的子问题，随后汇总计算结果。受AI启发的现代改进方案是学习增强型区域分解法，它利用深度学习模型掌握子域及交界面的规律，让求解器的初始状态更贴近最终解，进而有望降低迭代收敛次数，见图1。此方法通常会引入后续的物理修正环节，有助于维持数值稳定性，并针对适配问题缩减实际计算时长。其具体成效视问题类型而定，必须通过可靠的基准测试来验证。

具备泛化能力的代理仿真模型：神经算子、

物理信息神经网络（PINNs）及深度学习

降阶模型（DL-ROMs）

这三类代理模型正从理论探索迈向部分实际应用场景：

（1）神经算子负责学习从输入参数（如几何形状、边界条件、材料属性）到完整解场的映射。傅里叶神经算子（FNO）是广泛研究的典型。在适用范围内经过充分训练和验证后，这类代理模型能支持近乎实时的“假设分析”，无需重新执行完整的高精度求解。

（2）物理信息神经网络（PINNs）把控制方程残差直接整合进损失函数。此类网络常用于数据稀缺或含噪环境，以及反问题研究——即推演那些难以直接测量的参数。

（3）深度学习降阶模型（DL-ROMs）能学习低维流形及其动力学特征，从而为参数化研究提供近实时预测。该模型无需对原有代码进行侵入性改动，且与经典的本征正交分解（POD）理念高度一致。

代理模型不会取代基础的“真实”模型，而是将学习步骤前置。用户可运行更快的代理模型，获得方向性的实用结论，然后将高精度计算资源留给少数筛选后的候选方案。这必须对训练数据、适用范围限制及验证结果进行详细记录。

材料与生物力学：规模化合成微观结构

多尺度建模中常遇到的瓶颈是数据稀缺。生成模型，如生成对抗网络（GAN）和扩散模型，能生成符合文献报道的目标统计特征的真实二维/三维微观结构（如骨骼、多孔介质和复合材料）。研究团队将其作为均匀化或FE²（有限元）流程的输入，用于探索“结构-性能-工艺”间的权衡，无需完全依赖新的扫描或破坏性测试。与其他合成数据一样，其可追溯性、代表性和验证工作极为关键，见图2。

图2展示利用生成对抗网络（GAN）与

扩散模型合成的生成式微观结构案例

核心要点：人工智能（AI）融合仿真技术

人工智能并非基于物理原理建模的替代方案。如果运用得当，它能加速现有工作流程，并提高决策的质量和可追溯性。

（1）决策更迅速、更高效。基于学习增强的区域分解算法和代理模型热启动技术能减少求解器迭代次数和排列时间，允许在相同实际时间内支持更多“假设分析”场景。

（2）单次洞察成本更低。利用降阶模型和基于AI的代理模型筛选设计空间，只把最具潜力的方案提交给高精度有限元法/计算流体力学进行分析。

（3）追求更高可靠性，而非单纯速度。混合方法将物理规律纳入决策流程，检索增强生成（RAG）技术确保生成的文本引用经核准的标准，基础不确定性量化方法输出数值区间而非单一数值。

（4）可扩展性已成常态。借助AI辅助编排的云计算或高性能计算（HPC）技术，能在业务需要解决方案时实现灵活扩展，达成规模化。

（5）按需扩展能力。依托AI辅助编排的云计算或高性能计算（HPC）技术，可实现参数化研究任务的弹性爆发式运行，无需持续过度配置资源。

务实的初步行动

（1）选择一个有明显痛点的工作流程（例如，反复进行的计算流体力学仿真存在网格划分瓶颈），并明确可实现的改善标准（例如，耗时减少30%、可探索方案数量提升3倍）。

（2）在“黄金”历史数据集上引导代理模型运行，并记录其训练数据、适用范围限制、向高精度升级的规则及基准测试结果。

（3）发布一款限定使用且经审核的操作手册，结合大语言模型联合检索增强生成助手，要求工程师对所有生成的方案和报告进行审核并签字确认。

治理关键点

为数据和模型建立版本管理，注明