技術中心
Altair physicsAI 為廣大CAE用戶帶來了先進的幾何深度學習。Altair HyperWorks 2022.3 首次發布了全新 physicsAI 技術，可利用歷史仿真數據進行快速物理預測。此後，我們一直不斷聽取用戶反饋幷持續改進。
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于 physicsAI 的常見問題。
我們可以將問題分爲三類：數據和格式、計算和資源、精度和質量。
1.數據和格式
Q：訓練數據支持哪些文件格式？
A：文件讀取技術利用 HyperWorks 生態系統的通用技術，例如 HyperView。
Q：是否支持瞬態工况預測？
A：是的，瞬態和靜態工况都支持。
Q：需要多少數據用于訓練？
A：數據是從仿真結果文件中提取的。要獲得高質量的預測結果，所需的結果文件數量因項目而异。根據物理模型的複雜程度和數據的變化量，有些應用可能只需要少量結果，而有些則需要幾十甚至上百個。此外，足够的質量本身就是一種主觀評估。作爲一般準則，建議在評估預測質量的測試之前，至少使用 10 個結果進行訓練。
Q：網格需要有相同數量的網格/節點嗎？
A：不需要，它不要求網格數量相等。網格甚至不需要在拓撲上等同，如下圖所示。
Q：設計數據的變化幅度能有多大？
A：訓練數據允許的變化沒有具體限制。但需要注意兩點。首先，訓練數據應能代表將要進行預測的新設計。其次，變异性較高的數據集需要相應數量的訓練數據來保證質量。在預測時，置信度分數可以用來量化新設計與訓練數據的相似程度。
2.計算和資源
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：支持哪些 GPU？
A：要使用 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 至少采用帕斯卡微架構，即計算能力大于 6.0。
Q：GPU 和數據集大小對訓練時間有什麽影響？
A：計算資源的質量會影響訓練時間。更好的硬件可以提高運行時間，相比CPU，GPU可以顯著縮短運行時間。無論硬件如何，訓練時間與數據集大小大致成綫性比例。請參見下圖中的代表性示例：
Q：我可以在高性能計算平臺上進行訓練嗎？
A：可以。
3.精度和質量
Q：結果準確嗎？
A：一般來說，準確度會隨著數據量、模型的表現力（如網絡寬度和深度）以及分配的訓練時間而提高。不過，出于實際考慮，這些數量都會受到一定限制。對訓練好的模型進行質量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，例如使用測試數據集的 MAE 指標。
Q：什麽是良好的 MAE？
A：MAE 是平均絕對誤差。MAE 可以解釋爲預測的誤差度量。例如，假設一個模型預測位移的 MAE 爲 4 毫米。您可以將其理解爲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爲 5 毫米，那麽這個誤差可能會很大，但如果預測的典型值爲 500 毫米，那麽這個誤差就不算太大。
Q：我應該使用什麽訓練設置？
A：每個項目都不同。默認設置是一個很好的起點，但最佳做法是調整設置以獲得足够高質量的模型。工作流程允許在同一數據集上重複訓練模型，以比較不同設置下的結果。這些測試可以提供經驗，證明類似的項目可以通過類似的設置獲得最佳結果。
Q：訓練好的模型能否取代求解器？
A：可以，也不可以。模型的設計目的是作爲求解器的快速近似，因此一般來說，我們幷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，因爲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，如果有適當的訓練數據和設置，模型可以訓練得相當精確。
結 語
physicsAI支持的技術將繼續擴展。這不僅僅是一個遙遠的未來願景；這些工具已經嵌入到當今的軟件中，真的就是這麽簡單！ 如果您還沒有這樣做，請嘗試最新版本的 HyperWorks吧，看看開始使用人工智能驅動的設計到底有多簡單。
文章出處: Altair
瑞其科技是＂CAE與AI數據分析的專家＂，我們完成了許多成功的案例實績。
▶ 現在就 聯絡我們，取得更多資訊。
▶ 訂閱 瑞其Youtube頻道，探索更多CAE與數據分析。
