physicsAI 快问快答丨如何利用仿真数据进行快速物理预测？

训练数据支持哪些文件格式？

文件读取技术利用 HyperWorks 生态系统的通用技术，例如 HyperView。

是否支持瞬态工况预测？

是的，瞬态和静态工况都支持。

需要多少数据用于训练？

数据是从仿真结果文件中提取的。要获得高质量的预测结果，所需的结果文件数量因项目而异。根据物理模型的复杂程度和数据的变化量，有些应用可能只需要少量结果，而有些则需要几十甚至上百个。此外，足够的质量本身就是一种主观评估。作为一般准则，建议在评估预测质量的测试之前，至少使用 10 个结果进行训练。

网格需要有相同数量的网格/节点吗？

不需要，它不要求网格数量相等。网格甚至不需要在拓扑上等同，如下图所示。

点击图片可查看大图

设计数据的变化幅度能有多大？

训练数据允许的变化没有具体限制。但需要注意两点。首先，训练数据应能代表将要进行预测的新设计。其次，变异性较高的数据集需要相应数量的训练数据来保证质量。在预测时，置信度分数可以用来量化新设计与训练数据的相似程度。

是否一定需要 GPU？

不一定需要。CPU 可以用来训练模型，但速度会比 GPU 慢。

支持哪些 GPU？

要使用 GPU 训练，必须安装 CUDA 工具包 11.8 和 cuDNN 8.7。这要求英伟达™（NVIDIA®）GPU 至少采用帕斯卡微架构，即计算能力大于 6.0。

GPU 和数据集大小对训练时间有什么影响？

计算资源的质量会影响训练时间。更好的硬件可以提高运行时间，相比CPU，GPU可以显著缩短运行时间。无论硬件如何，训练时间与数据集大小大致成线性比例。请参见下图中的代表性示例：

我可以在高性能计算平台上进行训练吗？

可以。

结果准确吗？

一般来说，准确度会随着数据量、模型的表现力（如网络宽度和深度）以及分配的训练时间而提高。不过，出于实际考虑，这些数量都会受到一定限制。对训练好的模型进行质量评估是标准训练流程的最后一步。具体方法是根据已知值对预测结果进行测试，例如使用测试数据集的 MAE 指标。

什么是良好的 MAE？

MAE 是平均绝对误差。MAE 可以解释为预测的误差度量。例如，假设一个模型预测位移的 MAE 为 4 毫米。您可以将其理解为任何给定的预测平均都可能有 4 毫米的误差。如果预测的工程位移仅为 5 毫米，那么这个误差可能会很大，但如果预测的典型值为 500 毫米，那么这个误差就不算太大。

我应该使用什么训练设置？

每个项目都不同。默认设置是一个很好的起点，但最佳做法是调整设置以获得足够高质量的模型。工作流程允许在同一数据集上重复训练模型，以比较不同设置下的结果。这些测试可以提供经验，证明类似的项目可以通过类似的设置获得最佳结果。

训练好的模型能否取代求解器？

可以，也不可以。模型的设计目的是作为求解器的快速近似，因此一般来说，我们并不期望模型达到求解器的精度。模型通常比求解器快一到三个数量级。即使没有达到求解器级别的精度，这也是非常有用的，因为它可以让你快速探索新的设计概念。最终设计应始终使用传统求解器进行验证。不过，如果有适当的训练数据和设置，模型可以训练得相当精确。