【Altair PhysicsAI 2025 】亮點新功能

▶️點此看Youtube影片介紹

PhysicsAI

       傳統基於物理的 CAE 模擬雖精確，但計算成本高且仰賴專業建模；PhysicsAI 的核心目標是透過 AI 技術縮短計算週期。但舊有 GCNS（Graph Convolutional Neural Simulator）方法仍存在以下痛點：等高線在複雜網格下不夠平滑、對網格尺寸變化敏感、缺乏對純量／向量指標的專用方法。此外，過去在訓練資料取用與管理上仍需外掛工具，操作負擔較重，這些成為新版重點改善方向。

演算法突破

新版本引入兩大全新核心演算法以補足 GCNS 的不足並擴展預測能力：

• 神經模擬器 Transformer Neural Simulator (TNS)：相較於 GCNS，TNS 能產生更平滑的等高線，對網格尺寸變化的敏感度較低。
• 形狀編碼回歸器 Shape Encoding Regressor (SER)：此演算法專用於純量的關鍵績效指標（KPI）與向量曲線的預測，不支援雲圖結果，但訓練速度遠快於GCN演算法。

TNS 與 GCNS 對於網格敏感度比較

SER 演算法之優勢

數據支援與應用增強

新版強化資料處理能力，使工作流程更為簡化與精準：

• 直接讀取模型資訊：PhysicsAI 現在可以直接從模型檔（solver decks）中擷取『厚度』與『材料 ID』。
• 支援元素角點資料（Corner Data）：在匯入結果時，Physics AI 可以解析元素的角點資料。這使得預測出的結果檔可以開啟 Corner Data 來觀看外插到節點上的雲圖與數值。對於應力主導的問題，考慮 Corner Data 能得到更精準的預測結果。
• 使用者定義 Validation datasets 比例：新版本支援使用者『自訂驗證資料集的比例』
• 曲線相似度分數：新功能「相似度分數（Similarity Score）」可用來量化『預測曲線』與『目標曲線』（真實數據）之間的相似程度。這有助於用戶評估模型的預測準確性與可靠性。

簡化讀取模型資訊方法

支援角點資料顯示

功能性與效能提升

除了核心演算法進化，新版本在『功能性』與『整體效能』上有所精進：

1. 資料「檢查」功能：提供更完善的工具，確保資料的『準確性』與『一致性』
2. 資料「管理」功能：增強了對資料的『組織、分類』與『版本』控制能力。

結語

       Altair PhysicsAI 2025 的更新重點在於：『演算法』與『預測精度』的突破，結合更完整的數據支援與高效運算，使預測更準確、更平滑且運行更快。這些改進提升了在實際工程題目中的可用性，對需要快速回饋的設計流程尤其有利。