PhysicsAI：基于几何深度学习的物理AI预测引擎
在CAE仿真领域，每一次设计迭代都意味着重新建模、重新求解、重新后处理，耗时往往以小时甚至天计。PhysicsAI 是 HyperWorks 2026 中引入的物理AI预测引擎，它基于几何深度学习（Geometric Deep Learning），能够利用过往积累的仿真数据，对新设计进行秒级物理场预测，让AI真正走入CAE工作流。
一、PhysicsAI 概述
PhysicsAI 利用几何深度学习引擎，对新设计进行快速物理预测。它的核心价值在于能够复用过往的仿真数据——开发者已有的仿真结果不再是"一次性"的输出，而是训练AI模型的宝贵数据资产。
PhysicsAI 提供了简化的使用体验，使工程师能够在不具备大量数据科学知识的前提下启用AI。用户无需深入的数据科学知识，即可在CAE流程中引入AI能力。通过图形界面（GUI），用户可以完成：
①
创建数据集（Create Dataset）——整理历史仿真结果； ②
训练AI模型（Train Model）——基于数据集学习物理规律； ③
测试AI模型（Test Model）——评估预测精度； ④
对新设计与CAD模型进行预测（Predict Results）——快速获得物理场结果。
二、与传统代理模型的区别
传统代理模型（Surrogate Model）通过扰动显式定义的设计变量并拟合回归方程来工作。这类方法存在明显局限：输出仅限于标量/向量形式，通常无法生成完整的三维场结果；几何变化也仅限于微小差异（如厚度、长度、形状变形）。
PhysicsAI 则突破了这些限制，它允许更广泛的输入（几何与非几何：厚度、材料、边界条件、载荷），以及更广泛的输出（完整三维场结果、标量/向量KPI、曲线）。几何深度学习引擎能够自动处理不同的拓扑、形状和特征，无需用户定义参数。
三、PhysicsAI 工作流
PhysicsAI 的工作流线性而清晰，从加载功能区到完成预测共六个核心步骤：
①加载功能区
：通过 View > Ribbons > PhysicsAI 加载 PhysicsAI 功能区； ②创建/加载项目
：创建新项目或加载已有项目（项目即一个目录）； ③创建数据集
：收集仿真结果，组织为用于训练/测试的数据集； ④训练模型
：选择AI架构与超参数，训练模型； ⑤测试模型
：在测试集上评估模型精度（MAE指标）； ⑥预测结果
：导入新设计或CAD模型，快速获得预测结果。
工作流要点：整个流程在 GUI 中完成，无需编写代码。训练好的模型可重复用于任意数量的新设计预测，真正实现一次训练，多次复用。
四、项目与数据集基础
在 PhysicsAI 中，项目与数据集是两个基础概念：项目是一个目录，其中包含 specs（规范）、datasets（数据集）、models（模型）等子目录；数据集则是用于训练和测试的仿真结果集 合。
PhysicsAI 支持多种主流求解器的结果格式，这使其能够无缝接入现有CAE工作流：
五、相似度评分
当 PhysicsAI 对新设计进行预测时，会输出一个相似度评分（Similarity Score），用于衡量新设计与训练数据的相似程度。其计算公式为：
Similarity Score = 1 - d / d_ref
其中 d 为新设计到训练数据的距离，d_ref 为训练数据点之间的最远距离。评分含义如下：
•Score = 1.0
：新设计与训练样本完全相同； •Score = 0.0
：新设计距离等于训练点之间的最远距离； •Score < 0
：新设计远离训练数据，预测可信度低，应谨慎使用。
使用建议：预测时务必关注相似度评分。当评分较低（接近0或为负）时，说明新设计超出了模型的"认知范围"，此时应将其加入数据集重新训练，以扩展模型的适用域。
—— HyperWorks 2026 AI驱动CAE系列 · 完 ——
