FISITA 网络研讨会探讨人工智能在计算机辅助工程（CAE）中的作用

借助 FISITA 数字化专家组白皮书的洞见与真实案例，来自 Applus+IDIADA、通用汽车（GM）和斯泰兰蒂斯（Stellantis）的专家阐明了人工智能如何变革计算机辅助工程（CAE），詹姆斯·斯科尔托克（James Scoltock）撰文。
人工智能拥有变革计算机辅助工程（CAE）的力量。FISITA 数字化专家组近期的网络研讨会「面向 CAE 的人工智能——汽车工程中的机遇与挑战」既探讨了这一新兴技术的前景，也剖析了其陷阱，并分享了工作小组即将发布的同名白皮书中的案例与关键发现。
本次研讨带来了阿普阿斯（Applus+IDIADA）流体工程产品经理恩里克·阿拉姆布鲁（Enric Aramburu）、斯泰兰蒂斯（Stellantis）CAE 资深研究员洛朗·迪瓦朗坦（Laurent Di Valentin），以及通用汽车（General Motors）车辆优化与机器学习技术会士西蒙·徐（Simon Xu）的洞见。他们共同描绘了一幅细致图景，说明人工智能将如何重塑汽车工程中的仿真与设计流程，并分享了各自工作以及 FISITA 数字化专家组集体研究的成果。
阿拉姆布鲁以强调传统 CAE 之外的突破必要性开启讨论。「CAE 已经非常成熟，是很好的工具，但我们需要别的东西，而人工智能展现了前景，」他说。他描述了降阶模型与图神经网络已被用于复现复杂仿真，并指出：「过去要详细仿真注塑过程，如今我们能在数秒之内预测结果。」
「通过建立以仿真与物理试验结果共同训练的机器学习模型，我们能够提升碰撞信号预测的质量，并改进约束系统的标定」——斯泰兰蒂斯（Stellantis）洛朗·迪瓦朗坦（Laurent Di Valentin），FISITA 数字化专家组组长
徐强调了人工智能加速碰撞仿真的潜力。「这类计算对中央处理器（CPU）占用极大，交付周期不尽如人意。我们尝试用图神经网络来预测动态碰撞行为……目标是在设计早期取代资源繁重的仿真，从而用人工智能驱动的预测给出是或否、好或坏的决策，」他解释道。
徐也提醒需要谨慎，因为可靠性仍是关键挑战。「在碰撞或先进驾驶辅助系统（ADAS）这类安全攸关的领域，我们不能满足于黑箱式人工智能。我们必须确切了解这些建议的依据。借助敏感性分析以及与物理关联的代理模型来实现可解释的人工智能，至关重要，」他说。
担任 FISITA 数字化专家组组长的迪瓦朗坦强调了将仿真与试验数据相结合以提升保真度的重要性。「混合孪生策略既得益于当前最先进的仿真，也融合了来自以往项目的试验数据，」他解释道。「通过建立以仿真与物理试验结果共同训练的机器学习模型，我们能够提升碰撞信号预测的质量——尤其是高频区间——并改进约束系统的标定。」
在任何场景中数据都是王道。徐重申了稳健数据管线的重要性。「数据集是关键。如今我们很可能丢弃了日常运行产生的大量数据。我们需要在仿真与试验流程之间简化数据的采集、存储与访问，」他指出。
尽管存在这些挑战，研讨会仍展示了人工智能已经创造价值的实例。阿拉姆布鲁描述了机器学习在材料卡片生成中的应用：「传统上这是一项漫长而昂贵的流程。通过对上千次仿真进行训练，我们在预测材料卡片参数方面达到了 90% 的准确率——足以支撑概念阶段。」
「成功不仅需要模型精度。它还需要可靠且一致的数据管线、透明可解释的模型，以及强有力的集成、验证与治理」——通用汽车（General Motors）西蒙·徐（Simon Xu）
徐指出行人碰撞建模是另一个成功范例。「总体而言，它能够实现良好的预测，即使部件间的相互作用高度复杂……这是一个相当成功的案例，未来将部署用于生产，」他说。
贯穿全场的主旨是审慎的乐观。人工智能带来加速创新、降低成本以及潜在的环境效益，但其采用必须审慎管理。「成功不仅需要模型精度，」徐说，并补充道：「它还需要可靠且一致的数据管线、透明可解释的模型，以及强有力的集成、验证与治理。」
FISITA 数字化专家组正在撰写一份整合这些洞见的白皮书，审视人工智能在 CAE 中的现状并展望其更广泛应用的前景。对汽车工程师而言，当下的挑战在于以批判性的态度对待这些技术——在热情与审慎之间取得平衡，确保人工智能成为明日车辆设计与开发中值得信赖的伙伴。
完整观看 FISITA 网络研讨会「面向 CAE 的人工智能——汽车工程中的机遇与挑战」。
请使用下方表格登记您的兴趣，以便在数字化专家组「面向 CAE 的人工智能」白皮书可供获取时收到通知，并及时了解 FISITA 的其他活动。
我们诚邀您登记兴趣，以便在数字化专家组白皮书可供获取时收到通知，并及时了解 FISITA 的其他活动。