人工智能輔助材料設計的案例
【新聞】天洑軟件參加2022年航空發動機人工智能輔助設計論壇
2022年10月29日-30日，由《航空動力學報》主辦，北京航空航天大學能源與動力工程學院、 航空發動機研究院協辦的“2022航空發動機人工智能輔助設計論壇”在北京順利舉辦。會議主要包含：“航空發動機部體和系統的人工智能輔助設計”、“面向全生命周期的航空發動機數字孿生基礎與技術”和“航空發動機數字工程”三個主題，為高校教師、研究者與工程技術人員等提供了追蹤本領域科技前沿、分享科研成果、交流創新思想、精準對接航空產業需求的學術平臺，推動了信息化和智能化方法在航空發動機設計、制造與運維等生命周期過程中的應用，促進了航空發動機領域的學科交叉研究。
大會上，天洑軟件首席戰略官劉國威先生作了題為《智能工業設計運維一體化平臺助力中國航發數字化發展》的報告，介紹了天洑軟件在航空發動機數字化、智能化設計研發及健康管理方向的解決方案及軟件工具：包含智能熱流體仿真軟件AICFD、智能結構仿真軟件AIFEM、智能優化軟件AIPOD、智能數據建模軟件DTEmpower等。天洑軟件致力于國產化設計及運維軟件工具的開發工作，能夠為航空發動機領域提供完全自主可控的智能設計運維一體化解決方案，包括核心算法、行業應用、軟件產品及相關服務。天洑軟件融合了專家機理、基于人工智能的工業大數據分析和AI賦能的工程仿真技術，提供了完整工具鏈和完整解決方案。
展開 設計仿真 | 直播預告-人工智能助力材料數據庫應用
近些年來人工智能技術蓬勃發展，逐步與各傳統行業進行深度融合，助力傳統行業實現了經驗驅動到數字驅動的研發理念轉變，有效降低研發成本提高研發效率，加快了產品的迭代上市。?？怂箍倒I軟件旗下的Material Center、Digimat、Odyssee軟件通過搭載人工智能技術，在材料領域提出了許多全新的解決方案，帶來了材料領域應用的新變革。
本期海克斯康直播講堂請到了?？怂箍导?em>材料計算工程專家常誠為大家帶來“人工智能助力材料數據庫應用”的主題直播，從人工智能助力材料數據庫的擴展到材料性能在產品結構級別的驗證，再到材料智能推薦系統，全方位為您解讀人工智能技術在材料領域的深度應用，歡迎報名。
展開 設計仿真 | 使用人工智能方法擴充Sabic材料數據
PART.01
背景介紹
材料數據在工程設計中起著至關重要的作用，但是通過實驗測試的方法不僅成本昂貴且研發周期較長。隨著使用的材料越來越復雜，包括成分、環境條件等多種因素，為了獲得材料數據需要進行大量測試，如何快速高效的獲得材料數據成為一個關鍵問題。
近年來人工智能（AI）和包含的機器學習（ML）發展迅速，利用AI/ML技術可以提供一種新方法來節約生成大型數據集的時間、精力和費用。所以材料供應商已逐步開始探索人工智能的潛力，來豐富他們的材料數據庫。
本文介紹了海克斯康利用一種新的基于物理信息的人工智能方法，通過少量測試數據即可實現材料數據的擴充，幫助用戶準確預測工程熱塑性塑料的性能，同時節省資金和時間。SABIC公司將上述解決方案應用到其ULTEM?樹脂產品中，在沒有溫度、應變率和加載角度條件的測試數據的情況下，準確地預測ULTEM?樹脂的拉伸應力-應變響應曲線。
PART.02
使用物理信息的AI方法
ULTEM?樹脂是聚醚酰亞胺（PEI）材料，非常適合多個行業的高要求應用。實際工程應用中，需要了解其在不同的溫度、不同的纖維含量及類型、不同的樹脂類型、不同的纖維曲線等參數情況下的力學性能，因此需要針對上千種不同組合的材料數據進行評估。
目前材料數據的生成方法主要有三種：實驗室測試、先進的材料建模和AI/ML方法。每種方法都有優缺點如圖1所示。
圖1. 三種材料數據生成方法的優缺點
為了克服傳統方法的局限性，海克斯康提出一種使用物理信息的AI方法，如圖2所示。該方法有效地結合了實驗數據、先進的材料模型和AI/ML方法，能夠對新材料數據進行快速、低成本的響應，實現豐富和高質量的材料數據庫。
展開 主動變形智能復合材料設計與變形模擬報告
主動變形智能復合材料
設計與變形模擬報告
主動變形智能復合材料
設計與變形模擬報告 ￥19.89
在通電條件下，MFC發生電能-機械能轉換，驅動結構復合材料發生變形。主動變形智能復合材料的變形能力與MFC的性能、結構復合材料的厚度、鋪層方向等因素有關。復合材料的優勢是其結構包括鋪層的可設計性，因此，需進行鋪層設計及變形模擬方面的工作，為后續實驗研究提供理論指導。
二、研究內容
本項目以復合材料層合板+MFC復合后的材料為研究對象，以復合材料層合板的力學性能、MFC的基本性能為輸入，以復合材料層合板+MFC復合后的材料最大彎曲角度為2°為目標，進行鋪層設計和變形仿真模擬。建立厚度、鋪層方式與變形角度的關系，篩選出優化的鋪層和厚度，為下一步進行縮比典型試驗件的設計和研制提供理論指導。
展開 
IC設計，一文看完人工智能芯片設計挑戰及解決方案
最近幾年隨著人工智能芯片在中國雨后春筍般的蓬勃發展，人工智能芯片以其設計規模、設計復雜度和先進設計方式引領數字芯片設計行業。特別是3D IC的采用，使得人工智能芯片的性能功耗比又上了一個臺階。但采用最先進的設計方法進行復雜的芯片設計也往往伴隨著諸多挑戰。
人工智能芯片的一個重要設計指標是用TOPS（Tera Operations Per Second）Per Watt來衡量。人工智能芯片設計為了追求高能效比，在設計上除了會采用最先進的芯片制造制程，一般也會采用比較先進的芯片設計架構，比如最近幾年被高性能芯片設計廣泛采用的3D IC設計。
雖然3D IC設計目前還有很多挑戰，但其設計相對傳統的芯片封裝來說，芯片規模更大（支持3000以上pin腳），信號通道更短，支持HBM（High Bandwidth Memory）等，因此對芯片性能的提升是比較顯著的。
在芯片制程開發難度不斷加大和迫近制程極限的情況下，針對這種典型的人工智能芯片，會面臨如下挑戰。
首先是功耗噪聲。人工智能芯片一般功耗都比較大，在相同算力情況下，如果功耗小，無疑會更受市場青睞。如何在芯片設計階段降低功耗是AI芯片設計的一大挑戰。另一方面，AI推理或訓練芯片要求芯片能從功耗很低的休眠狀態（sleep mode）以極快的速度切換到功耗很高的全速處理狀態（operation mode），因此電源供電必須能提供這種瞬態切換所需要的大電流，不能出現供電過沖（overshoot）或塌陷(undershoot)而造成的電壓劇烈抖動。為防止這種情況的出現僅僅依靠芯片內部的電容是不足夠的，還必須審慎選擇interposer、封裝和PCB板上的去耦電容，以協同設計的方式來保證供電網絡（PDN）滿足瞬態電流消耗需求。
其次是HBM設計的挑戰。
展開 人工智能如何改變工業設計？
呈指數級發展的新技術——人工智能 (AI)、自動化、物聯網 (IoT)、區塊鏈和第五代移動通信技術(5G)之間交匯融合，產生了重塑業務模式、運營流程、工作方式的力量。新技術與專業技術融合產生的智能設計也是數字化轉型的重要發展方向之一。
相比制造和業務流程的數字化智能化，設計的智能化、自動化發展相對緩慢，在很多領域，采用CAD繪圖式的低效設計環節甚至成為整體產品開發或企業擴產能的瓶頸，眾多的設計人員也將為企業帶來較大成本支出。
企業迫切需要提升研發效率，但對于設計研發活動能否自動化，很多人要么持懷疑態度，認為AI還遠不能替代工程師的工作；要么就盲目相信，認為存在通用的智能化設計AI，可以解決所有設計問題。
那么，設計活動到底能不能自動化呢？如果能，是全自動化還是部分自動化？安世亞太團隊在近日探討了這一話題。
同濟x特贊設計與人工智能實驗室范凌的《人工智能與設計的未來——2017設計與人工智能報告》試圖回答設計本身能不能算法化、數據化的問題；他認為人工智能與設計師的關系不是替代，而共同進化，提出了“腦機比”的概念。他們調查分析了6個行業的1300位設計師，發現設計師在不同任務中的時間分配比例不同（大部分設計師自認為的設計中的重復性體力勞動低于實際比例），不同任務可被智能化的可能性不同，設計行業整體“腦機比”為1.55），換種說法，設計任務中有39.21%的工作可以用AI機器完成。
同濟x特贊設計與人工智能實驗室范凌的《人工智能與設計的未來——2017設計與人工智能報告》試圖回答設計本身能不能算法化、數據化的問題；他認為人工智能與設計師的關系不是替代，而共同進化，提出了“腦機比”的概念。
展開 人工智能重塑芯片設計產業
隨著架構師開始利用 AI 提高性能和降低功耗，并為未來芯片的開發、制造和更新奠定基礎，人工智能也開始影響半導體設計。
人工智能、機器學習、深度學習可以極大改善芯片某項特定功能的控制和性能。架構師既可以基于現有設備進行分層設計，也可以整合到新設計中，以實現更多功能或某個特定功能。
人工智能技術帶來很多好處，比如：
通過稀疏算法或數據壓縮來改變特定函數精度，增加粒度，提高芯片性能和降低功耗。
識別數據模式而不是單個比特，有效提高計算的抽象性，增加軟件密度。
允許以矩陣的形式執行處理和內存讀/寫操作，大大加快操作速度。
但是我們也需要好好反思如何在芯片上或者在芯片之間遷移（或不遷移）數據。畢竟，無論是用于邊緣計算還是數據中心，訓練還是推斷，需要加以處理和存儲的數據量都是最大的。
新起點
從好的方面來說，通過使用更多更低精度的元素，人工智能提供了一種平衡結果精度與準度的方法。比如，語音識別對精度的要求，遠沒有自動駕駛中安全應用與目標識別嚴苛。根據特定需要而展現的自適應能力，才是人工智能的價值所在。
與其說人工智能的起點是硬件和軟件，不如說是數據的質量、數量和遷移。這需要用一種不同的方式來看待設計，包括過去通常沒有合作的團隊之間的協作。
「計算真的很便宜，壓縮/解壓數據也很便宜，但在內存中存儲和加載數據卻一點不便宜。要構建這些系統，需要特定領域的專家、機器學習專家、優化與性能專家，這三個領域的專家都需要?！笰rm 研究員杰姆?戴維斯（Jem Davies）表示。
他指出，機器學習可以影響系統中的所有東西，其中很多東西隱藏在視線之外?！赣行┦怯脩艨床灰姷?，」戴維斯說，「它被用來延長電池壽命。
展開 直播預告 | 基于材料數據庫和人工智能技術的復合材料許用值預測分析
目前關注于集成材料計算工程的應用，包括材料數據的存儲、管理及引用，多尺度復合材料精細建模和仿真分析，人工智能加速新材料研發和應用，機器學習應用于仿真加速和設計優化等方面，為客戶提供各類CAE仿真和材料應用解決方案。
MIT用人工智能開發新材料
不過，應變工程材料的發展潛力，亦受到嚴重阻礙。應變能夠以六種不同的方式具體實現（立足不種不同的維度，其中每一個維度都能夠產生內／外或者側向的應變），且其各自擁有幾乎無限的度數級別，因此單純依靠反復試驗來探索全部可能性顯然不切實際。Li表示，“如果我們想要繪制整個彈性應變空間，那么計算總量將快速增長至上億級別?！?正因為如此，該團隊才選擇以機器學習方法解決問題。他們希望借此建立一種系統性方式，從而探索可能性并找出適當的應變量與方向，最終實現面向特定屬性集的特定目標。Li指出，“現在我們擁有了這種精度非常高的方法”，因此大大降低了需要面對的計算復雜性水平。
Suresh也解釋稱，“這項工作說明，材料物理學、人工智能、計算以及機器學習這些看似彼此毫無關聯的領域，仍然能夠以特殊的方式給支撐工業生產應用的科學知識帶來重大影響。”
研究人員們表示，這種新的方法有望創造出新的材料，從而為電子、光電以及光子器件的構建帶來新可能。這些器件將被廣泛應用于通信、信息處理與能源等領域。
該團隊研究了應變對于帶隙的影響。所謂帶隙，是指硅與鉆石等半導體當中最為關鍵的電子特性的具體來源。利用神經網絡算法，他們能夠以極高的精度預測應變的不同量以及方向將給帶隙帶來怎樣的影響。
帶隙的“調諧”正是提高各類設備（例如硅太陽能電池）運行效率的一大關鍵工具，通過相關調整，我們能夠使設計更匹配其面向的能源類型。舉例來說，通過微調其帶隙，將能夠制造出陽光捕獲效率完全一致、但厚度僅為原本千分之一的新型硅太陽能電池。Li介紹稱，從理論上講，這種新材料“甚至能夠從半導體轉化為金屬。一旦證實了其在大規模生產產品中的可行性，那么這將帶來極為廣泛的應用場景?！?/span>
展開 chatGPT大火，人工智能如何應用在工程設計？
這類軟件呢，目前階段也有一定應用局限性，比如對于整體結構和設計參數比較明確的部件就比較合適，像今天的船型啊，像飛機機翼的翼型啊，就定義弦長、中弧線以及相對彎度等幾個參數，來預測升力、像汽車進氣道啊，這些你比較清楚地知道什么作為自變量的，就可以用這樣的人工智能工具去輔助產品的研發，一定程度上代替仿真。但設計那種你也不知道該用什么樣的結構才能讓性能更好的部件時，就不大適用了，畢竟結構都沒定，參數也定不了，也不可能有合適數量的歷史數據，那就只能仿真了，如果通過仿真找到了規律，初定了結構，積累了一定數據量，還沒有得到想要的性能，那就可以接著用DT來跑一跑了，畢竟省時間。
另外，除了工業設計端的場景，運維端也可用這類AI預測工具，比如電廠智能監盤啊、設備預警啊、水處理系統參數預測啊、鍋爐脫銷優化控制?。ó吘乖蹮崮苋烁缮抖嫉孟胫c兒燒鍋爐）。雖然這類人工智能工具最擅長的是工業，但也還可以干點兒別的事兒，比如預測天氣，預測球賽，反正只要你有歷史數據，想預測啥就預測啥?；氐介_頭講的ChatGPT，這是它目前干不了，但是特定的AI工具就能干的事兒了。
今天就說到這兒了，如果您喜歡，別忘點個關注，一鍵三聯，我們下期見！
展開 AIPOD——人工智能優化設計平臺
AIPOD是一款智能優化平臺，具有先進的智能優化策略；主要用于目標函數為數值模擬（如CAE）類的優化問題，追求以更小的計算代價，更短的時間找到更優的設計方案。
AIPOD特點
1) 具有優秀的智能優化算法，擁有較高的優化效率；
2) 包括含代理和無代理多種優化模式；
3) 支持多目標優化與多工況優化；
4) 仿真求解器連接靈活，用戶使用簡便；
5) 具備DoE與后處理功能。
AIPOD界面演示
后處理界面
AIPOD優化算法測試
AIPOD通用全局優化算法測試，驗證算法是否能夠滿足，在充分小的計算規模下，尋找到充分可取的優解；測試函數如表1所示。
同時，對比測試選用的優化算法和最大計算數目如下表所示；
1 單目標值優化
1.1 Shubert函數：
1.2 Griewank函數：
2 多目標值優化
ZDT1，2，3，4測試函數：
Pareto 前沿對比策略：
按照計算次序，每間隔1000個計算中獲取對應的pareto前沿，觀察pareto前沿移動的效率 。
ZDT1函數測試
ZDT2函數測試
ZDT3函數測試
ZDT4函數測試
展開 
人工智能時代，工業AI如何助力飛機設計
仿真過程遵循嚴格的力學定律以及材料特性，不但能給出結果，甚至還能展示計算過程。
代價是什么呢？慢。
分析過程要定義各種連接、定義力和接觸，都是體力活，沒法做快速評估。
與之相對，用天洑數據建模軟件DTEmpower來計算起落架載荷就突出一個優點：快。
先做仿真得到一批工況數據，然后用DTEmpower的機器學習算法總結這些數據之間的規律，得到一個數據模型。
之后數據模型就能取代仿真，計算新工況了。雖然相比仿真，數據模型有點像“黑箱”，可解釋性差一些，但它算的非常快！
機器學習原理不復雜，但以往實現起來卻不簡單。因為需要寫代碼，還需要懂機器學習算法，這往往是航空等機械類工程師的短板。
但天洑的DTEmpower就實現了超低門檻建模，堪稱代碼過敏者的福音。只需要拖拉拽節點，就像搭積木，做到零代碼機器學習。
除了設計飛機起落架，很多工業場景都能和機器學習結合，提高設計效率。只要有數據，就能用DTEmpower。
很多人都在想：人工智能浪潮下，工業AI具體長什么樣？
作為國內領先的工業軟件企業，天洑正通過一個個鮮活的案例，給出自己的答卷。
展開 人工智能、藥物設計、藥物ADMET評價、抑制劑篩選
本次課程由工作在科研一線的藥物設計課題組核心成員擔任主講，在領域內核心期刊發表SCI收錄論文30多篇，另開發了十多款藥物設計相關軟件和計算平臺，近幾年主持/參與國家自然科學基金和省自然科學基金多項。從事人工智能藥物分子設計研究工作近十年，擅長藥物發現過程中Web服務、數據庫、軟件、工具的開發，以及虛擬篩選方法的開發等。
問題2：課程是否適合小白/零基礎的學員？
對于初學者，因缺乏對人工智能數據算法、平臺、軟件的掌握與深入理解，導致無從下手。而本次人工智能藥物設計技術與應用實踐專題課程就是為初學者量身訂做，四天從九個模塊的專業知識配合實際案例操作，從數據分析的角度出發，讓你從AI小白到能夠結合藥學相關數據與AI技術結合出成果的學術弄潮兒。
每節實戰課都總結為數個知識點，整個學習一目了然，絕不迷失。
問題3：通過人工智能藥物設計技術與應用實踐專題培訓班我能學到什么？
本次課程共計四天，一共二十四個小時教學；整體分為五大模塊十四個專題講授，均采用“理論+實操”模式，系統講授藥物設計結合AI人工智能的研究技術，為你講解其中關鍵訣竅，幫你打開用AI技術研究藥物發現的大門。
問題4：培訓時遇到疑問，怎么辦？
課程采用邊講邊練邊答疑的模式，實戰跟著老師一步一步操作，過程中通過班級微信群實時跟蹤操作結果，遇到問題及時反饋、當堂解決，讓你實戰不出錯！
本次課程采用在線直播的形式，學習方式靈活。課前建立專門答疑的班級微信群，學員在課前、課間、課后皆可與主講老師隨時溝通解答。
大家伙兒一定要帶著問題來，權威老師幫你抽絲剝繭，和你一起打開成功的大門！
問題5：如何報名、繳費？
展開 人工智能可以分析照片中的光學材料屬性
繼而推斷出材料的正常反照率，漫反射率，鏡面反射率和鏡面粗糙度，和不同圖像的像素。未來設計師可以通過AI預測光學材料屬性，更快地迭代他們的設計。
小圖像對大圖像的表面進行數字重建
光學材料的發展
光學材料是用于光學實驗和光學儀器中的具有一定光學性質和功能的材料的統稱。目前，光學材料的種類多達幾十種，其中光學玻璃在成像元件中使用得最多。
由于現代光學工業同電子工業、信息技術、通信技術的緊密結合，光學制造越發得到研究人員的重視。從光學材料、元件、鏡頭組件到整機儀器生產領域，光學制造的上中下游產品呈現出各異的市場現狀，整條產業鏈出現不同的發展趨勢。
如何訓練AI預測光學材料屬性
人類不擅長編程計算機來識別圖像。因此，研究人員必須邀請教授運用AI，從已知這些值的圖像中預測材料特性。
少層銻烯電化學剝離制備及其形貌結構表征
然而這個過程是非常有挑戰性的。它需要一個200000程序生成的空間變化雙向反射分布函數的數據集、40萬次訓練迭代以及需要一周左右的GPU處理時間。
AI使用輸入照片（左圖）來恢復描述反照率和鏡面粗糙度（中間圖像）的SVBRDF貼圖。然后使用這些貼圖重新渲染圖像（右圖像）
計算機可以學習如何識別圖像上的每個視覺指數，例如材料產生的陰影和反射。完成這個目標的關鍵因素是對圖像的模擬，我們為了訓練機器學習準備了大量的圖片。
如果未來AI可以協助人們快速確定材料屬性，那么工程師們就可以專心于他們的設計，而不是尋找確定其光學數據的方法。
一般來說，收集這些光學數據可以一次性識別一小塊材料。而通過這種新工具可以在像素級別上評估這些屬性，因此工程師現在可以立即評估大型表面。
展開 Ansys進一步加速高性能計算和人工智能設計
Ansys RaptorH為芯片設計團隊提供業界領先的HFSS求解器技術
隨著Ansys? RaptorH?的正式發布，Ansys將進一步為工程師加快和改進5G、三維集成電路（3D-IC）和射頻集成電路設計工作流程賦能，推動智能設備、天線陣列和數據存儲系統等方面的創新。RaptorH集結了Ansys旗艦產品HFSS的保真度與RaptorX的速度和高容量架構，幫助設計人員縮小芯片尺寸、降低功耗、減少生產成本并最大限度地加快產品上市進程。
從用于5G移動設備和網絡基礎設施的高性能片上系統（SoC），到實現自動駕駛汽車和工業物聯網的射頻收發器，電磁對電路設計的影響極為關鍵。Ansys RaptorH能有效幫助客戶解決不良干擾，避免可能導致設計周期延長、風險增大、成本升高以及性能不理想等不良影響。
圖為納米級片上系統（SoC）的塊視圖，該分析展示了由HFSS黃金標準所提供支持的RaptorH的驚人容量
Ansys RaptorH是一款高度集成的分析解決方案，使設計人員能夠仿真在多芯片3D-IC、硅interposer和高級封裝上的高級納米硅設計的電磁現象，從而縮短設計周期并提高可靠性與完整性。
展開 