PhysicsX与微软合作，通过多智能体协作实现CAE速度、精度、广度“全都要”

这是AIE加速工业进化【AI+CAE的现状和未来】系列的第9篇，主要介绍PhysicsX公司与微软合作的仿真自动化框架。

基础背景介绍

后文会反复提及的2个核心技术概念：

LPM：Large Physics Model，即AI CAE模型（代理模型），用AI模型代替CAE计算，实现更快的CAE仿真结果预测。

LGM：Large Geometry Model，大几何模型，PhysicsX提出的独特技术路线，用“LGM+高斯过程等简单模型”替换GNN图神经网络等大型模型，用于创建AI CAE模型，性能更优。（另一篇文章专门解释了该技术）

Microsoft Discovery：微软在 Build 2025 大会上发布的一个企业级 AI 科研与研发平台。它的核心是运用“智能体 AI (agentic AI)”，将科研中的知识推理、提出假设、实验模拟和迭代学习等完整流程自动化，旨在加速科学发现和技术创新。

问题由来：传统CAE面临的挑战

大多数组织的设计和仿真流程都还是AI时代之前的模式，典型流程如下：

计算机辅助设计（CAD）→ 网格生成 → 模拟设置 → 求解器执行 → 后处理 → 重复。

每个步骤都需要专业工具、手动数据传输和深厚的领域专业知识。单个计算流体动力学（CFD）或有限元分析（FEA）迭代可能需要几天到几周的时间。

除了CAE消耗大量时间，研发团队还花费了很大一部分精力在低价值任务中如，文件转换、手动参数扫描、监控长时间运行的任务以及报告生成。

以涡轮叶片设计为例，工程师需要处理超过50个变量——包括前缘半径、扭转角度、冷却孔位置——每个变量都需要进行计算流体动力学(CFD)、热分析和结构分析。一次迭代可能需要两周的工程工作量。设计空间实际上非常广阔。每年30个设计方案，团队只能看到其中微乎其微的一部分可行选项，“最佳”叶片可能从未被考虑过。

脚本支持的流程自动化有所帮助，但只是部分。脚本化工作流程很脆弱，难以维护，并且通常需要软件工程技能，而大多数领域专家并不具备这些技能。许多自动化工作在试点阶段就停滞不前，并且无法扩展。

通用AI系统——大语言模型(LLMs)、小语言模型(SLMs)和视觉模型——提供了一种诱人的前景，展示了可能实现的可能性。但CAE领域提出了通用模型单独无法满足的独特要求：

• 物理精度：决策支持模型必须在经过验证的物理基础上进行训练。

• 工具链集成：工程栈是异构的“杂牌堆”，由计算机辅助设计(CAD)、计算机辅助工程(CAE)、产品生命周期管理(PLM)和定制工具组成，这些工具很少能顺畅地互操作。

• 企业约束：安全、数据治理、可审计性和合规性是不可协商的。

• 可验证性：工程师需要可追溯的推理，以及从建议到物理和设计规则的清晰联系。

PhysicsX 与微软合作的探索研究将多个 AI 系统整合在一起——用于意图理解的 LLMs、用于物理预测的 LPMs 以及用于几何推理的 LGMs——形成一个单一的、协调的问题解决工作流程。

整个工作流程分为了5个阶段

第一阶段：问题设置和上下文获取

一位工程师首先生成CAD几何形状、仿真设置或技术规范，上传到安全存储中，然后Agent自动执行以下操作：

• 解析原生工程格式以提取几何形状、网格细节、边界条件和先前的仿真输出；

• 通过Azure服务继承用户权限，确保所有操作都在工程师的访问权限范围内；

• 构建一个上下文图，将调查与相关文档、历史设计和组织标准连接起来，这些标准从文件系统和PLM系统中索引而来。

第二阶段：意图理解和规划

Microsoft Discovery的推理引擎随后：

• 将请求分解为子任务，例如评估基线、识别故障模式、生成替代方案以及验证约束条件；

• 与PhysicsX 平台建立连接，用以执行所需的工作流——由平台负责协调物理分析、LPMs、几何探索、LGMs 和多目标优化；

• 在约束条件或操作条件不明确时，提出有针对性的澄清；

• 生成包含明确检查点的执行计划，供人工审查，模拟高级工程师如何构建调查结构

第三阶段 ：自主设计空间探索

在计划获得批准后，Agent进入结构化探索：

• 几何变化：LGM 通过调整叶片几何形状、轮毂尺寸或外壳特征来生成可制造的设计变体，同时尊重最小壁厚或拔模角等约束条件。

• 物理评估：每个候选方案都使用 PhysicsX LPM 进行评估。例如，在风扇的情况下：流体动力学 LPM：流量、压力上升、效率；空气声学 LPM：噪声频谱和总声压级；结构力学 LPM：应力集中、疲劳行为。

• 多目标优化：Agent识别平衡竞争目标（例如，在最大化气流的同时最小化噪声并保持结构完整性）的帕累托最优设计。

• 不确定性量化：预测置信度低的设计将自动在 Azure 上触发高保真 CFD 或 FEA 验证运行。

第四阶段 ：验证和确认

在整个工作流程中，Agent通过3层的验证强制实现工程标准和最佳实践：

自动化合规检查：Microsoft Discovery  Agent持续检查设计是否符合知识图谱中编码的组织标准。模糊之处将被标记供人工审查；简单问题将自动纠正。

• 制造约束（壁厚、拔模角、材料限制）；

• 建模最佳实践（网格分辨率、边界层定义、湍流模型）；

• SharePoint 和 PLM 的内部协议和命名规范。

物理模型验证：PhysicsX 的主动学习系统通过多种机制保障AI代理模型的可靠性：

• 异常检测功能识别超出训练分布的设计；

• 集成预测功能提供不确定性估计和置信区间；

• 自动回退功能在不确定性高时触发高保真模拟；

• 守恒检查功能在每个预测步骤中验证物理一致性；

• 交叉验证功能与已知基准几何形状进行比较。

人工审核：工程师仍然是最终决策的核心。Agent：

• 提供上下文中的关键发现，而不是原始数据；

• 高亮一些权衡的选择（例如，“设计 A7 满足声学要求但轮毂应力升高”）;

• 支持人机互动推理（“为什么 B3 更响？”→“叶片通道频率与管道共振一致”）；

• 区分高置信度推荐和需要更多验证的领域。

  
  

高保真模拟和现实世界测试的输出会反馈到未来模型的改进中，形成一个持续学习的循环。

第五阶段：结果与迭代

Agent通过Microsoft Discovery的界面提供高级结果，这些结果可以在 PhysicsX 平台的界面中进行进一步调查。这两个界面只需一键即可访问，并允许工程师立即进行以下工作：

• 聊天记录摘要突出满足或超过要求的设计；

• 交互式可视化展示流场、声学图和应力分布；

• 生成的资产包括 CAD 变体、求解器设置文件和技术报告，用于 PLM 集成；

• 迭代路径使工程师能够根据新见解优化约束并继续探索。

优势

与传统的流程和通用的 AI 工具相比，PhysicsX x Microsoft 的方法具有独特的优势，即兼顾精度、速度、广泛探索以及可靠性等

具体合作模式

物理AI、企业级Agent平台和云原生基础设施的融合使得智能Agent成为可能。

2023年初，PhysicsX和微软从不同方向达成了相似的直觉：微软的Discovery团队正在构建一个以科学为中心的平台，用于AI加速研发。PhysicsX正在开发一个工程平台，使企业能够利用私有的大物理模型（LPM）和大几何模型（LGM），在复杂系统中进行近乎实时的CAE推理。

双方合作构建了双向集成的联合平台。PhysicsX贡献了一个统一的平台，用于构建、训练、管理和部署私有的AI CAE模型和几何模型。微软Discovery团队贡献了Agent编排、知识管理，以及与微软365和Azure的紧密集成。

PhysicsX 平台功能

• 私有 LPM 的端到端生命周期管理：PhysicsX 平台支持私有 LPM 的完整生命周期，从数据生成和训练到部署和持续改进。这些模型基于高保真模拟数据进行训练，以预测复杂的物理现象——包括流体动力学、结构力学和声学——在几秒钟内完成，而传统 CAE 求解器则需要数小时。Simulation Workbench 平台模块加速高质量数据的生成，而 AI Workbench 支持先进的架构，如傅里叶神经算子和图神经网络，这些架构学习函数空间之间的映射，有效地作为跨几何形状和操作条件的通用偏微分方程（PDE）求解器

• 能够理解和操作三维几何的LGM：基于点云、网格和隐式表示的transformer风格架构，LGM将制造和设计约束直接编码到其潜在空间中，确保生成的变体在物理上是可实现和可制造的。

• 推理引擎 & 工程工作流：一个针对 GPU 加速、批量推理、作业调度和不确定性量化的生产运行时；它提供全场预测和置信区间，而不仅仅是点估计

• 主动学习系统：一个基于不确定性量化指标的持续改进循环，用于识别设计空间中低置信度的区域。当模型发现自己处于高不确定性设计空间时，它会自主触发高保真度模拟。这种混合策略结合了代理的覆盖范围和传统求解器的可靠性。

Microsoft Discovery功能

• Agent编排：Microsoft Discovery管理多步骤调查，协调专业子Agent，并将复杂的CAE任务分解为可处理的序列。

• 知识管理：工程文档、先前的模拟、标准和历史设计使用语义和基于图的检索（GraphRAG）进行索引，使Agent和人类可以即时访问。

• 发现引擎：AI驱动的认知能力，可自主监督复杂项目，管理任务，突出洞察力，并加速进度，让用户专注于高优先级的战略工作。

• 安全与治理：企业级认证、授权和审计确保所有操作都可见且受管理。

• Microsoft 365集成：Agent在工程师已经工作的环境中运行——Teams、SharePoint、Outlook以及Microsoft 365的其他用户界面。

Azure 基础设施

• 在 Azure Kubernetes Service (AKS) 上进行模型托管，并支持自动扩展。

• 跨 CPU、GPU 和 HPC 实例提供弹性计算，用于Agent推理和全保真度CAE验证。

• 企业级安全，包括网络隔离、加密以及符合关键认证要求。

PhysicsX 和 Microsoft Discovery 共同实现一些单 平台无法实现的功能：

• 上下文物理推理：Microsoft Discovery Agent可以调用在 PhysicsX 平台上训练和部署的模型，以在几秒钟内对类似“这个风扇的几何形状能否满足我们的声学要求？”的问题做出定量、基于物理的预测。

• 受约束的设计空间探索：Agent可以自主探索设计空间，但始终在由工程要求、材料限制和制造约束定义的严格边界内进行。

• 人在回路验证：关键决策将展示给工程师进行审查，完全透明地了解Agent的推理以及支持每个建议的底层物理预测。

一些关键问题

Agent的作用

智能Agent不能取代人类工程师，主要功能是消除阻碍设计和仿真的重复性，机械性工作。基于物理的Agent在PhysicsX与微软的合作中的作用：

• 消除重复性工作：它们处理文件格式转换、样板模拟设置、文档更新和常规参数扫描。

• 解锁互操作性：Agent协调历史上从未相互交流的工具。CAD系统、PLM数据库、CFD求解器和文档生成器现在可以成为自动化工作流的一部分。Agent读取西门子NX几何体，查询SharePoint中的设计标准，启动Star-CCM+模拟，并生成报告——无需手动交接。

• 编码和普及专业知识：Agent将最佳实践、设计规则和机构知识嵌入工作流，缩短学习曲线，使高级模拟更容易被团队中的更多人使用。

• 扩大高级工程师的影响力：原本存在于个人头脑中的专业知识成为共享、可查询的资源，在数千个设计中一致应用。

人类牢牢掌控：设定目标、决定权衡和验证结果。Agent放大工程判断，而非替代它。

整个工作流需要模型可信的同时，又能由领域专家，而非数据科学家操作。PhysicsX平台通过两个基本原则保证这点

第一个原则是验证工程师已经信任的求解器。每个PhysicsX基础模型都基于行业标准求解器的高保真模拟数据训练，从未在共享模型中使用客户数据。每个模拟都经过校验和、版本控制，并完全可追溯至其几何和物理定义。当代理模型进入低置信度区域时，平台会自动升级到这些相同的求解器进行高保真评估，将AI推理的速度与数值模拟的严谨性相结合。客户特定模型在隔离环境中训练，以保护知识产权的同时大规模应用。并且，在返回任何结果之前，每次推理都经过严格的物理验证——守恒定律、可实现性约束和数值一致性。

第二个原则是受监管的Agent系统，确保工程师完全掌控。PhysicsX Agent在严格的最低权限访问下运行，确保设计Agent可以读取CAD几何形状并调用物理模型，但不能访问无关数据或系统。Agent支持决策，但不能对高风险结果进行自主行动。工程师在完全透明地了解Agent的推理、不确定性量化和底层物理预测的情况下审查所有建议。这一治理层将AI Agent从一个黑箱转变为可审计的企业级能力。

这些原则共同使物理AI能够被CAE专家以外的用户使用。更广泛的研发团队现在可以探索更大的设计空间，评估概念，并以高速度迭代——而不会影响受监管行业所需的严谨性。

数据安全及合规

PhysicsX平台和Microsoft Discovery均独立符合SOC 2标准，集成保障了端到端的安全态势。主要保证包括：

• 数据主 权：客户数据与模型始终保留在指定的Azure区域。

• 访问继承：代理严格遵循认证用户的身份与权限运行。

• 审计连续性：Microsoft Discovery与PhysicsX平台之间的调用均被两系统记录，确保完整可追溯。

• 合规一致性：集成工作流设计为在SOC 2、ISO 27001及行业特定监管环境下运行。

• 安全控制覆盖完整生命周期——从训练数据与模型供应链，到推理时验证与访问控制，再到监控与日志记录。对于我们所运营的监管行业，这是不可协商的。