【AI+CAE】首个开源汽车空气动力学AI模型和数据集：SHIFT-SUV
这是AIE加速工业进化【AI+CAE的现状和未来】系列的第10篇，主要介绍Luminary 公司发布的SHIFT-SUV 开放AI模型相关信息。
SHIFT-SUV具体是干什么的
SHIFT-SUV是怎么来的
SHIFT-SUV用于训练AI的车辆几何数据是在一个开源的参考SUV参考模型AeroSUV的基础上，进行参数化变型得来的上千个变体。AeroSUV是FKFS（斯图加特动力车辆研究所）开发的开放访问SUV参考模型，开放许可仅限于非商业用途。
基于这些上千个几何数据，Luminary Cloud利用自身云平台的求解器，计算了对应的CFD仿真结果，从而构成了用于训练的数据集。这个数据集在本田的支持下精心策划，涵盖了各种离散（例如，底盘类型、冷却系统、车辆后部）和连续（例如，挡风玻璃角度、车头半径、后部斜度）的变化形式，从而使数据集拥有较广泛的适应性。
Luminary Cloud还在不断向数据集中添加内容，并朝着到25年底包含25,000个变化并再次训练模型的路上前进。届时SHIFT-SUV也将成为世界上最大的SUV数据集。
训练方面，Luminary Cloud自己的云平台协调了从几何形状输入和预处理到模拟执行和数据集管理的完整工作流，以高效的云端资源调度，在平台上行了超过 1,000 个仿真计算，每个仿真计算在 NVIDIA H100 GPU 上运行约 1.2 小时。训练使用的AI模型和工具集是英伟达的开源PhysicsNeMo框架。
SHIFT-SUV准确度如何
Luminary Cloud将Blender中用AI模型预测的结果与高保真CFD计算结果进行了对比，结果表明，SHIFT-SUV在快速后置车类中具有高度可靠性，在OOD（分布外）形状如旅行车上的性能逐渐下降。这表明SHIFT-SUV适合用于早期气动研究。
在测试集中，SHIFT-SUV实现了约3.45%的平均阻力预测误差，最大误差约为6.5%。75%的所有预测都在5%的误差范围内，并且每个预测都保持在10%以内。
值得注意的是，Luminary Cloud在训练中还观察到了专业化和泛化之间存在权衡问题：仅对某一类型（Fastback类型）的500个案例进行训练，预测精度得到了提高——平均相对误差为2.10%，94%的预测误差在5%以下。而使用完整的1000数据集进行训练，对其他SUV变体的泛化能力有所提高，但在在Fastback类型样本上下压力预测更好，但阻力精度略有下降。
AIE看法：
对Luminary Cloud来说，SHIFT-SUV的主要意义可能是吸引更多的用户使用自己的云平台来构建AI模型。Luminary Cloud在云平台上整合了完整的工具链方便用户构建自己的AI模型。
理论上，对车企来说，可以结合SHIFT-SUV和自己的私有车辆设计数据，创建出一个更符合自身需求的AI预测模型，从而加快设计迭代。对设计仿真软件供应商来说，则是可以以此为起点，构建具备实时仿真能力的CAD或CAE软件。
之所以理论上，是因为SHIFT-SUV之前的开源许可是限于非商业用途。未来不排除SHIFT-SUV走向闭源，或者在商业用途上收费。
从行业来看，开源AI仿真预测模型正在成为一股新趋势，SHIFT-SUV只是SHIFT系列模型的第一个，25年以来，CAE云平台和英伟达为代表，面向其他具体领域的AI预测模型也越来越多的出现。
随着开源AI模型势力的壮大，延续多年的传统买卖双方构成的仿真软件产业生态，或许也会迎来一些变化，值得期待。
