深度学习将终结速度与保真度之间的权衡

虽然我们一直都想“拥有一切”，但现实是生活充满了权衡。Ansys客户每天都要在仿真速度和保真度之间进行权衡。认识到每个产品开发团队都有自己的优先事项，Ansys一直致力于澄清和简化这种权衡-并提供一系列解决方案，提供专业的，用户特定的好处。

一方面，Ansys的旗舰物理解决方案，包括Ansys机械和Ansys流利，旨在以极高的精度捕捉湍流和振动等极其复杂的问题。工程师可以应用多种物理，查看瞬态时间尺度，执行系统级分析，或者在现场完全复制动态工作产品。显然，这些全尺寸模拟是数值上的大问题，尽管硬件和软件都有了巨大的进步，但需要一些时间来解决。

另一方面，Ansys提供早期的仿真解决方案，例如Ansys的发现它以较低的保真度复制基于物理的问题，但产生的结果要快得多。在设计周期的开始，开发团队可以快速查看产品性能的粗略估计，并对整体设计方向做出初步决定。他们可以测试各种场景并自由地进行创新，因为他们知道在开发周期的后期，最终的设计将受到更严格的分析。

正如Ansys全球数千家客户可以证明的那样，高保真度和低保真度的仿真解决方案都可以增加显著的价值。每种方法都在产品开发过程中赢得了一席之地，并已被证明可以提供高投资回报。然而，今天Ansys客户需要在快速，低保真度的模型或较慢，更精确的物理模型之间做出一般选择。

下一个前沿:加速复杂分析

为了给我们的客户提供两全其美的服务，Ansys不断创新，以消除任何权衡。我们相信，未来一代Ansys软件可能能够在单一解决方案中同时提供极高的速度和极高的保真度。我们相信，提供这种强大的优势组合的答案在于应用深度学习(DL)，再加上参与回路的求解器。

工程仿真的核心是偏微分方程(PDEs)。Ansys基于物理的求解器花费大量时间建模和解决这些问题的潜在条件，包括定义几何形状、边界条件和约束。在过去，由于需要从头开始解决精细网格和复杂几何形状所需的计算量，因此很难加速这一过程。

然而，深度学习技术可能会给出答案。Ansys研发团队正在探索深度学习的潜在用途，以解决模拟空间中的高维问题，就像计算机视觉空间中的问题一样。我们希望使用深度学习技术降低数值大、复杂的3D或4D模型的维数，然后将它们与求解器在环耦合，以便在许多看不见的几何形状、边界条件或负载中进行准确的推广。我们最近发表论文这种新颖的基于dl的方法，称为可组合自动编码器机器学习仿真(CoAE-MLSim)。

本地捕获数据;在全球范围内解决

我们认为CoAE-MLSim将如何造福Ansys客户?这项创新技术将帮助我们将Discovery等低保真度解决方案的速度和易用性与我们旗舰解算器的强大、完全兼容、高保真度建模功能结合起来。

CoAE-MLSim查看更大几何网格中的局部子域。这些子域由一组2D像素或3D体素组成——每个空间方向上可能有8或16个单元格。先进的深度学习算法允许CoAE-MLSim“学习”在这些局部子域上执行基于物理的解决方案，然后学习如何连接多个子域的规则。这将在更大的网格区域中产生一组局部连接的解决方案。最后，迭代DL算法使CoAE-MLSim能够在所有模型中建立局部一致性整个计算域中的子域组。

采用CoAE-MLSim方法意味着Ansys软件解决方案将被“训练”以查看几何网格的小局部区域，并以非常高的保真度准确推断整个网格的结果。在此过程中，他们将得到迭代深度学习算法的支持，但他们也将求解器与传统的PDE建模功能相结合，这些功能一直是Ansys解决方案(如Mechanical和Fluent)的核心。

这些下一代解决方案将加速几何模型的收敛，并提高PDE结果的准确性和泛化性。换句话说，它们将消除高速和高保真度之间的历史权衡，使Ansys客户能够在一个解决方案中享受两者。更好吗?深度学习的加入意味着，当Ansys客户将仿真软件应用于他们自己独特的基于物理的问题时，支持dl的求解器将继续学习，随着时间的推移，提供更准确、更快的结果。