AI/ML trong AutoCFD: Bối cảnh, Tập dữ liệu & Tóm tắt

Bài viết này khám phá bối cảnh của Trí tuệ nhân tạo (AI) và Học máy (ML) trong lĩnh vực Mô phỏng động lực học chất lưu bằng máy tính (CFD), đặc biệt là trong khuôn khổ của AutoCFD. Chúng ta sẽ đi sâu vào lý do tại sao AI/ML ngày càng trở nên quan trọng trong CFD, những tập dữ liệu mở có sẵn cho mục đích nghiên cứu và phát triển, cũng như cách đánh giá các phương pháp AI/ML mới một cách khách quan và nhất quán. Bài viết này cung cấp một cái nhìn tổng quan toàn diện về tiềm năng của AI/ML để biến đổi CFD ô tô, đồng thời nêu bật những thách thức và cơ hội phía trước.

Tại sao AI/ML lại quan trọng trong AutoCFD?

Trong khoảng 5 đến 7 năm qua, chúng ta đã chứng kiến sự tăng trưởng đáng kể của nghiên cứu và phát triển (R&D) trong lĩnh vực Học máy và Trí tuệ nhân tạo (AI/ML), đặc biệt là trong lĩnh vực Mô phỏng động lực học chất lưu bằng máy tính (CFD). Sự tăng trưởng này đã tăng tốc đáng kể trong Hai năm qua do sự xuất hiện của nhiều công ty khởi nghiệp và sự tăng trưởng theo cấp số nhân của AI/ML kể từ khi ra mắt ChatGPT vào tháng 11 năm 2022.

Hiện nay, nhiều công ty khởi nghiệp và các nhà cung cấp phần mềm độc lập (ISV) đang cung cấp các mô hình surrogate dựa trên dữ liệu hoặc dựa trên vật lý, sử dụng học sâu để tăng tốc và cải thiện độ chính xác của mô phỏng CFD. Các ví dụ bao gồm Altair PhysicsAI, Ansys SimAI và Nvidia Modulus. Sự sẵn có của nhiều lựa chọn cho phép cộng đồng CFD ô tô đánh giá và tích hợp các phương pháp AI/ML vào quy trình làm việc của họ.

AutoCFD đóng một vai trò quan trọng trong việc giúp các mã CFD mới và hiện có đánh giá các phương pháp của họ và khám phá các cách tiếp cận mới. Bằng cách tiếp tục cung cấp một nền tảng minh bạch và nhất quán để đánh giá các phương pháp AI/ML mới, AutoCFD có thể đóng một vai trò trung tâm trong việc thúc đẩy việc áp dụng các kỹ thuật này trong CFD ô tô.

Thời điểm mang tính bước ngoặt: Sự ra đời của ChatGPT

Thời điểm mang tính bước ngoặt trong sự phát triển của AI/ML là sự ra mắt của ChatGPT vào tháng 11 năm 2022. Sự xuất hiện của ChatGPT đã thúc đẩy sự quan tâm toàn cầu đến AI và LLM, và tác động của nó có thể được nhìn thấy rõ ràng trong sự gia tăng của các công ty khởi nghiệp CAE và các khoản đầu tư mạo hiểm (VC) vào không gian AI/ML.

Một câu hỏi quan trọng là liệu sự tăng trưởng theo cấp số nhân tương tự có thể xảy ra trong không gian CAE hay không. Các quỹ VC nhận thấy tiềm năng to lớn của AI tạo sinh và AI trong các mô hình ngôn ngữ lớn (LLM). Điều này dẫn đến sự gia tăng các công ty khởi nghiệp CAE, và người ta đặt câu hỏi liệu điều này có thể đúng trong không gian CAE hay không.

Những thách thức và cơ hội của AI/ML trong CAE

Mặc dù có tiềm năng to lớn, nhiều người trong lĩnh vực CAE vẫn thấy AI/ML có chút khó hiểu. Với rất nhiều tùy chọn khác nhau có sẵn và các tuyên bố khác nhau được đưa ra bởi các nhà cung cấp khác nhau, việc đánh giá các phương pháp AI/ML mới có thể là một thách thức.

Đây chính xác là nơi mà AutoCFD bước vào. Nó cung cấp một nền tảng trung lập và minh bạch để đánh giá và so sánh các mã, phương pháp và cách tiếp cận khác nhau. AutoCFD nhằm mục đích tạo ra một sân chơi bình đẳng cho phép cộng đồng CFD ô tô đánh giá một cách khách quan những ưu điểm và nhược điểm của các phương pháp AI/ML khác nhau.

Tại sao Mô hình Surrogate?

Khi nói đến việc sử dụng AI/ML trong CFD, nhiều ứng dụng khác nhau có thể được khám phá. Các ứng dụng này bao gồm cải thiện các mô hình rối, các phương pháp khởi tạo và giải pháp tuyến tính. Tuy nhiên, TFG AI/ML nhận thấy mối quan tâm lớn nhất nằm ở mô hình surrogate. Mô hình surrogate cung cấp một cách để ước tính nhanh chóng và chính xác kết quả CFD mà không cần chạy mô phỏng độ trung thực cao tốn kém về mặt tính toán. Do đó, trọng tâm chính của TFG AI/ML là so sánh các phương pháp tiếp cận surrogate AI/ML khác nhau một cách công bằng và minh bạch.

Điều quan trọng cần lưu ý là đây không phải là một đề xuất độc quyền. Chúng tôi đánh giá cao rằng AI/ML có thể được sử dụng để cải thiện nhiều khía cạnh khác nhau của quy trình CFD, nhưng chúng tôi tin rằng mô hình surrogate cung cấp tiềm năng lớn nhất để tác động đến cộng đồng CFD ô tô trong thời gian tới.

Sử dụng Các Trường hợp Kiểm tra Mở

Sử dụng trường hợp kiểm tra mở là quan trọng để thúc đẩy sự hợp tác và so sánh các phương pháp AI/ML khác nhau. AutoCFD cung cấp một nền tảng cho các công ty để chia sẻ kết quả của họ một cách cởi mở bằng cách sử dụng các trường hợp kiểm tra tiêu chuẩn hóa. Cách tiếp cận này cho phép cộng đồng học hỏi lẫn nhau và xác định các phương pháp tốt nhất để đánh giá các phương pháp AI/ML mới.

Tính minh bạch và tính nhất quán rất quan trọng trong quá trình này. Bằng cách sử dụng các trường hợp kiểm tra mở và chia sẻ kết quả, chúng ta có thể giảm thiểu tác động của sự thiên vị chủ quan và đảm bảo rằng việc đánh giá các phương pháp AI/ML là khách quan và đáng tin cậy.

Tránh Dữ liệu Nhạy cảm

Để khuyến khích sự tham gia rộng rãi, cần tránh sử dụng dữ liệu nhạy cảm hoặc độc quyền. Khi các công ty thực hiện đánh giá AI/ML trên các thiết kế xe hơi của riêng họ, có thể có những lo ngại về việc chia sẻ thông tin bí mật. Bằng cách sử dụng các trường hợp kiểm tra mở, chúng ta có thể giảm thiểu những lo ngại này và khuyến khích nhiều công ty tham gia vào quá trình đánh giá.