HyperWorks 2023 如何利用模擬數據快速進行物理預測？physicsAI 常見問題帶您一次看！

Altair physicsAI 為廣大 CAE 用戶帶來了先進的幾何深度學習。Altair HyperWork 2022.3 首次發布了全新的 physicsAI 技術，可利用歷史模擬資料進行快速物理預測。此後，我們一直不斷聽取用戶回饋並持續改進。

HyperWorks 2023 最新版本的重點是提高可用性和擴大 physicsAI 的應用範圍。在此，我們想與大家解答一些關於 physicsAI 的常見問題。

 

我們可以將問題分為三類：「資料和格式」、「運算和資源」、「精確度和品質」。

 

 

關於 Altair physicsAI 資料和格式

 

Q：訓練資料支援那些檔案格式？

A：檔案讀取技術採用 HyperWorks 生態系統的通用技術，例如 HyperView。

 

Q：是否支援瞬態工況預測？

A：是的，瞬態和靜態工況都支援。

 

Q：需要多少數據進行訓練？

A：這些資料是從模擬結果檔案中提取的。要得到高品質的預測結果，所需的結果檔案數量會因專案而異。根據實體模型的複雜程度和資料的變化量，有些應用可能只需要少量結果，而有些則需要數十甚至上百個。此外，足夠的品質本身就是一種主觀評估。作為一般準則，建議在評估預測品質的測試之前，至少使用10 個結果進行訓練。

 

Q：網格的節點數量是否需要相同？

A：不需要，它不要求網格數量相等。甚至網格在拓樸上也不需要一致，如下圖所示。

 

Q：設計數據的變化幅度能有多大？

A：訓練資料允許的變化沒有具體限制。但需要注意兩點。首先，訓練資料應能代表將要進行預測的新設計。其次，變異性較高的資料集需要相應數量的訓練資料來確保品質。在預測時，置信度分數可以用來量化新設計與訓練資料的相似程度。

 

關於 Altair physicsAI 運算和資源

 

Q：是否一定需要GPU？

A：不一定需要。 CPU 可以用來訓練模型，但速度會比GPU 慢。

 

Q：支援哪些GPU？

A：使用GPU 訓練，必須安裝 CUDA 工具包 11.8 和 cuDNN 8.7。這要求英偉達™（NVIDIA®）GPU 至少採用帕斯卡微架構，即運算能力大於 6.0。

 

Q：GPU 和資料集大小對訓練時間有什麼影響？

A：計算資源的品質會影響訓練時間。更好的硬體可以提高運算時間，相比CPU，GPU 可以顯著縮短執行時間。無論硬體如何，訓練時間與資料集大小大致成正比例。請參考下圖的典型範例：

 

Q：我可以在高效能運算平台上進行訓練嗎？

A：可以。

 

關於 Altair physicsAI 精確度和品質

 

Q：結果準確嗎？

A：一般來說，準確度會隨著資料量、模型的表現力（例如網路寬度和深度）以及分配的訓練時間而提高。不過，出於實際考量，這些數量都會受到一定的限制。對訓練好的模型進行品質評估是標準訓練流程的最後一步。具體方法是根據已知值對預測結果進行測試，例如使用測試資料集的 MAE 指標。

 

Q：甚麼是良好的 MAE ？

A：MAE 是平均絕對誤差。MAE 可以解釋為預測的誤差程度。例如，假設一個模型預測位移的 MAE 為 4 毫米。您可以理解為任何給定的預測平均都可能有 4 毫米的誤差。如果預測的工程位移僅為 5 毫米，那麼這個誤差可能會很大，但如果預測的典型值為 500 毫米，那麼這個誤差就不算太大。

 

Q：我應該使用什麼訓練設定？

A：每個專案都不同。默認設定是一個很好的起點，但最佳做法是調整設定以獲得足夠高品質的模型。工作流程允許在同一資料集上重複訓練模型，以比較不同設定下的結果。這些測試可以提供經驗，證明類似的專案可以通過類似的設定獲得最佳結果。

 

Q：訓練好的模型能否取代求解器？

A：這要看情況。模型的設計目的是作為求解器的快速近似，因此一般來說，我們並不期望模型達到求解器的精度。模型通常比求解器快一到三個數量級。即使沒有達到求解器級別的精度，這也是非常有用的，因為它可以讓你快速探索新的設計概念。最終設計應始終使用傳統求解器進行驗證。不過，如果有適當的訓練資料和設定，模型可以訓練得相當精確。

 

想了解更多，歡迎聯絡我們

安捷新科技股份有限公司 AgileSim Technology Corp.

• 電話 : (02)2518-9060
• 郵件 : info@agilesim.com.tw