新闻资讯

在高端装备、新能源、航空航天等关键产业中，计算机辅助工程（CAE）软件已成为研发设计的核心计算底座。以偏微分方程（PDE）为核心的数值求解体系，构成了工业仿真的“物理引擎”，支撑着从结构强度到多物理场耦合的全流程计算。

但面对复杂几何和多尺度问题，传统方法计算周期长、算力成本高、难以支撑快速迭代。人工智能的引入，正在催生“新一代物理引擎”——一个以学习和推理为核心的全新计算体系。

用AI技术，通过深度神经算子和物理约束网络，可以直接学习几何、边界与物理场之间的映射，实现从高精度预测到实时响应的跨越。十沣基于这一创新性思路，构建新一代AI仿真框架——TF-AIDEA（AI Driven Engineering Agent）。它让AI真正嵌入工业语境，从算法、数据到算力体系，重塑仿真的效率与智能化水平。

TF-AIDEA训练汽车风阻AI预测模型

从“科研验证”到“工程可用”：AI仿真的落地之路

将AI技术有效地应用于工业仿真，我们所面临的挑战不仅是算法精度，更有如何保证易用性的问题。

十沣认为，只有让工程师“无感接入、直接受益”，AI才能真正进入CAE主流程。TF-AIDEA正是秉持这一信念而开发的。

TF-AIDEA是一款“自动化数据管理+大模型训练+工业应用部署”一体化的AI-CAE多物理场仿真平台，完全由十沣自主研发，代码完全可控。用户可以使用该平台自主训练和部署工业大模型，操作简洁直观，为工业AI模型的工程化落地提供了有效工具。

TF-AIDEA人工智能仿真平台为不同仿真场景快速生成并部署AI预测模型

平台首先解决的是数据鸿沟问题。工业仿真数据通常来源于复杂的非结构化几何和多物理场计算，数据清洗、格式转换和网格重构往往占据工程师的大量时间。

TF-AIDEA 通过自动化的数据治理流程，将原始仿真数据直接转化为可用于 AI 训练的标准化数据集，全程无需人工干预，真正让 AI 训练像“打开仿真文件”一样简单。TF-AIDEA原生支持 VTK、VTU、CGNS、VTP、STL 等主流格式，可直接接入 CFD、结构力学、热仿真等多种数据源，自动进行变量提取、异常值检测、以及数据预处理。

接下来，在核心算法层面，面向不同的工程场景——从全三维复杂几何的流体预测，到无网格的实时气动评估，再到多尺度阻力预测，十沣自研了多种高性能神经算子，包括SATO（Spatially-Aware Transformer Operator）、GeoFormer与DragSolver。

与传统AI模型不同，这些算法并非“数据驱动”的黑箱，而是通过物理约束与结构化算子设计，在模型内部嵌入了物理规律，实现高精度与可解释性的统一。

工程师无需了解深度学习框架，仅需提供原始仿真数据和工况条件，即可通过平台完成模型训练、验证与推理部署。

TF-AIDEA将训练好的模型自动入库，支持不同物理量的模型快速切换与跨场景调用，实现了“从算例到算法”的全流程无缝衔接。

在典型汽车气动仿真场景中，TF-AIDEA在单张 12GB GPU 上即可支撑千万级网格规模，将原本数小时的仿真压缩至10秒内完成，精度误差低于5%。这意味着工程师能在设计迭代中快速获得反馈，用“秒级响应”取代传统的“日级等待”。

让AI理解物理：三大原创算法重塑仿真范式

TF-AIDEA的技术核心是三款在国际学术界广受关注的原创神经算子（Neural Operator）模型，它们是最新的科研成果，目前已在TF-AIDEA中得到实现，并在应用中取得了非常理想的效果。

1. SATO：让复杂几何的气动预测进入“实时时代”

SATO（Spatially-Aware Transformer Operator）是专为三维车辆气动评估开发的空间感知Transformer架构。

它通过双重注意力机制（全局物理注意力 + 局部序列化注意力），统一捕捉车辆复杂几何中的全局流场特征与局部扰动效应。

在百万级网格下，它能够在1秒内完成任意车型的空气动力学预测，将传统CFD的耗时从“百小时”降到“秒级”。

SATO模型技术路线：（a）隐式迭代流程；（b）SATO模块

同时，通过动态下采样与隐式迭代技术，训练成本仅为传统模型的16%，内存消耗降低90%，为量产车型的快速设计迭代提供了可行方案。相关论文已发表于《Journal of Computational Physics》，被认为是点云神经算子在CFD领域的重要突破。

2. GeoFormer：越过网格生成的“无网格气动预测框架”

GeoFormer针对汽车外形设计中常见的非水密CAD模型，打通了从几何到三维流场的直接映射通路。它通过“双分支几何-流场交叉注意力机制”，实现CAD表面与体积流场的高效融合，无需网格生成，即可处理任意复杂几何。相对于传统CFD繁琐的网格生成步骤，GeoFormer将气动评估从 “数日级” 压缩至 “实时级”，大幅缩短车辆造型设计与气动优化迭代周期。

双分支实时无网格任意三维车辆气动预测网络框架图

该模型支持百万级节点的实时推理，保持对驻点区、尾流区等关键气动特征的物理可解释性。

对于整车早期造型评估，GeoFormer能让设计师在几秒钟内完成气动优化验证，大幅缩短设计验证周期。论文发表于《Physics of Fluids》，为复杂边界条件下的AI PDE求解提供了新范式。

3. DragSolver：让AI成为汽车研发的“气动设计助手”

DragSolver是首个面向真实汽车工业数据集的多尺度Transformer系统，专为气动阻力系数（Cd）预测而生。

它通过“异构尺度归一化 + 表面引导门控机制 + 多尺度编码器”三重创新，采用单GPU即可实现0.9-5秒/模型的近实时推理。

相对误差低至0.0005，R²系数高达0.97，性能可媲美直接CFD软件分析。

DragSolver网络框架概述

更重要的是，它具备不确定性估计功能，为汽车厂商提供设计决策的置信区间支持。论文发表于ICML 2025，标志着十沣在机器学习与汽车工程交叉领域的国际领先地位。

三大原创算法面向不同仿真任务：SATO聚焦复杂几何的流场预测，GeoFormer实现CAD模型到流场的直接映射，DragSolver则面向工业级气动评估的实时推理。它们共同构成TF-AIDEA的算法底座，在统一平台中实现多物理、多场景的融合应用，让AI算法从单一模型演示走向可复用、可演进的工程能力，也让TF-AIDEA从科研成果成长为真正的工程生产力。

从算法到场景：AI加速工业仿真的应用转化

TF-AIDEA不是科研演示平台，而是一款真正可部署、可复用的工业AI引擎。目前，它已在汽车气动设计、电子散热优化、结构力学响应预测等场景实现落地验证。在整车外形设计中，AI预测取代传统CFD的大量前期筛选工况，为车企节省超50%的计算资源；在电驱冷却仿真中，TF-AIDEA模型能根据不同转速与工况实时预测温度分布，为热管理策略提供数据驱动支撑；在复合材料应力场分析中，AI算子通过学习有限元分布规律，实现近实时的强度预测，为结构轻量化设计提供快速反馈。这些成果意味着仿真正从传统“离线计算”向“实时决策支持”演进：AI模型能够基于输入条件快速推理出关键物理量，为设计优化提供数据驱动的参考，而不仅是单纯的计算结果。从SATO到GeoFormer，再到DragSolver，这一系列自研算法已构成一个完整的技术体系，既具学术领先性，又具产业可复制性。它让工业仿真从“计算”走向“学习”，让设计决策基于“预测”，根据预测结果验证设计的可行性。在AI与工业软件深度融合的时代，TF-AIDEA所代表的是中国工业仿真软件从“跟随”走向“引领”的一次关键跃迁，实现效率提升与智能化应用落地。AI不再是传统仿真的附属，而成为工业研发中可直接应用计算工具。