HyperWorks 降階模型 ｜ROM 與 romAI

傳統預測模型（ROM）

傳統預測模型的建立與套用，通常是最佳化軟體如 Altair HyperWorks 的 HyperStudy 所提供的功能（在 HyperStudy 中稱為 Approximation 或 Fit 的階段），利用一系列的數據，用數學函數來擬合出等效模型。適合處理『線性』或『低非線性』的問題。

• •  擬合算法：
  由數學函數組成的擬合方法處理數據，建立降階模型。

• •  應用範圍：
  適合『線性』和『低非線性』問題，對於高度非線性問題效果不佳。

• •  數據要求：
  需要一定數量的數據，但過多數據可能會導致精度下降。

AI預測模型（Altair romAI）的創新

romAI 是 Altair 推出的新型代理模型生成工具，結合機械學習和狀態方程，能對『物理問題』建構精確的降階模型。適合各類型問題，尤其是高度非線性問題。

• •  擬合算法：
  romAI 結合了『機械學習』與『狀態方程』，AI技術加上物理現象的數學，能更精確、更有效擬合出原始物理行為。

• •  應用範圍：
  無論是線性、一般非線性及高度非線性問題，romAI 都能有效的處理。

• •  精度表現：
  romAI 能夠持續訓練，保持模型的高擬合精度，滿足 3D CAE 模擬問題的降階需求。

ROM 與 Altair romAI 的實際應用比較

實際應用方面，ROM和romAI各有特點，適合不同的需求場景。像是使用者可以在 HyperStudy 中以 GUI 操作完成ROM的建構，接著套用模型至最佳化；而 romAI 功能內嵌於 Altair 的 Compose 和 Activate 環境，可打開相關介面執行 AI 預測模型的訓練及驗證工作。

• •  擬合能力：
  一般使用 ROM，在精度不佳時，需要額外確認模型屬於『欠擬合（擬合不足）』或『過度擬合』，進行模型的適用性驗證。
  romAI 透過『正則化（Regularization）』等設計能避免過度擬合，可直接擴充訓練數據來解決精度不滿足的問題。

• •  最佳化能力：
  在 Altair 平台，兩者均可架構至 HyperStudy，取代物理求解器進行最佳化運算，但 romAI 在處理高度非線性問題上更具優勢。

• •  案例分析： 
  我們舉一個工業結構設計的例子，對『箱體』或『外殼件結構』進行＂強度＂與＂剛性＂的最佳化，且考慮共振頻率。當考慮＂共振＂時，此案例問題相對變得高度非線性。以 ROM 分析與 romAI 生成的最佳設計點預估目標，再使用有限元素分析重新驗證，結果 romAI 表現是令人驚艷地出色。

結     語

Altair romAI 憑藉良好的精度和泛用性，在高度非線性問題上展現出強大能力。
       『 AI 建模預測』取代物理求解器來進行設計或最佳化工作，關鍵就在這個降階模型的代表性必須足夠，才能根據需求執行分析、實現精確預測、協助高效決策。

• ROM   

• romAI 

延伸閱讀：產品介紹：Altair HyperStudy