Skip to Main Content

Wie KI die Simulationstechnologie verbessert

Erfahren Sie mehr über die Rolle der Simulation in Anwendungen für künstliche Intelligenz (KI), maschinelles Lernen (ML) und Deep Learning und wie Ansys KI und ML in die Simulationssoftware integriert.

Vorteile der Kombination von künstlicher Intelligenz und Simulation

Geschwindigkeit und Genauigkeit verbessern

Ansys verwendet KI/ML-Methoden zur automatischen Ermittlung der Simulationsparameter, um die Geschwindigkeit und die Genauigkeit gleichzeitig zu verbessern.

Simulation verbessern

KI/ML kann thermische Lösungen für Chips beschleunigen und einen Fluids-Solver entwickeln, der High-Fidelity-Lösungen in lokalen Bereichen mit ML-Methoden in groben Bereichen kombiniert.

Von Business Intelligence profitieren

Unterstützung von Business-Intelligence-Entscheidungen, z. B. zur Vorhersage des Bedarfs an Rechenressourcen für Ansys-Simulations-Solver.

Design Space Exploration optimieren

KI/ML kann frühe Produktoptimierungsbemühungen leiten, um Ingenieuren zu helfen, schnell den besten Designraum auf der Grundlage von Tausenden von Parametern zu finden.

Beschleunigen Sie das maschinelle Lernen mit Simulation

Erfahren Sie, wie Ansys Fluent künstliche Intelligenz (AI) effektiv nutzen kann, um die Leistung zu verbessern, ohne die Genauigkeit zu beeinträchtigen. Erste Ergebnisse zeigen eine 86-fache Beschleunigung.

Michael P. Brenner ist Michael F. Cronin Professor für angewandte Mathematik & Angewandte Physik und Professor für Physik an der Harvard University. Brenner ist außerdem wissenschaftlicher Mitarbeiter bei Google Research. In "Machine Learning Convective Discretizations through User-Defined Functions in Fluent" gibt er einen Überblick über seine Arbeit mit Ansys und Google Research.

Technische Simulationsanwendungen für künstliche Intelligenz

Die KI/ML-Technologie wird in zahlreichen Branchen erfolgreich eingesetzt, z. B. beim Verstehen natürlicher Sprache für intelligente Agenten, bei der Stimmungsanalyse in sozialen Medien, beim algorithmischen Handel im Finanzwesen, bei der Arzneimittelentdeckung und bei Empfehlungsmaschinen für den elektronischen Handel.

Die Menschen sind sich oft nicht bewusst, welche Rolle KI/ML in der Simulationstechnik spielt. Tatsächlich ist KI/ML für die Simulationstechnik von entscheidender Bedeutung, um die Produktivität der Kunden zu verbessern und zu steigern. Eine fortschrittliche Simulationstechnologie, die durch KI/ML erweitert wird, unterstützt den technischen Konstruktionsprozess.

Alle Anwendungen anzeigen

AUTONOMOUS-BATTERY-SIMULATION-SOCIAL

Culture Clash: Die menschliche Seite der KI und des IoT

Erfahren Sie, was passiert, wenn Sie die wichtigsten technologischen Innovationen von heute - künstliche Intelligenz und das Internet der Dinge - in die technische Simulation integrieren.

machine-learning-materials-science-3.jpg

Maschinelles Lernen für die Materialwissenschaft verstehen

Maschinelles Lernen verkürzt die Zeit, die für die Entwicklung stärkerer und leichterer Materialien benötigt wird. Dies ist wichtig für die Automobil-, Luft- und Raumfahrt- und Baubranche.

How AI and ML are Changing Simulation

Wie KI und ML die Simulation verändern

Sehen Sie, wie Ansys den Einsatz von künstlicher Intelligenz und maschinellem Lernen (AI/ML) erkundet, um all diese Probleme zu lösen.

3D Artificial Intelligence Compression

KI und ML: Die schöne neue Welt der Simulation

Die Möglichkeiten von KI und ML verändern den Bereich der technischen Simulation in aller Stille. Lesen Sie, wie diese fortschrittliche Technologie die Arbeit von Produktentwicklungsteams komplexer und anspruchsvoller denn je macht.

honda-property-predicted-results.jpg

Honda Motor verbessert die Entwicklungseffizienz mit einer Materialdatenbank

Die Werkstoffinformatik ist eine effiziente Methode der Werkstoffentwicklung, die Werkstoffdaten mit maschinellem Lernen verknüpft, im Gegensatz zur konventionellen Werkstoffentwicklung nach dem Trial-and-Error-Prinzip.

2021-01-optislang-ai.jpg

2022: Das Jahr, in dem KI in den Mittelpunkt rückt

Unternehmen, die datengestütztes KI-Engineering und generative KI bei der Zusammenarbeit in der Cloud nutzen, werden im Jahr 2022 den Weg für ein neues Innovationsniveau einschlagen.

Künstliche Intelligenz (AI) vs. Maschinelles Lernen (ML) vs. Deep Learning (DL)

Künstliche Intelligenz als Konzept zur Beschreibung eines Programms, das in der Lage ist, zu erkennen, Entscheidungen zu treffen, danach zu handeln und sich auf der Grundlage der Ergebnisse dieser Entscheidungen anzupassen, gibt es mindestens seit der Zeit der ersten Computern.

Maschinelles Lernen ist ein Mittel zur Verwirklichung von KI, bei dem Algorithmen mit klassifizierten Daten versorgt werden, so dass sie sich im Laufe der Zeit verbessern können, ohne explizit programmiert zu werden.

Deep Learning als Mittel zur Verwirklichung von ML verwendet künstliche neuronale Netze, d. h. Algorithmen, die versuchen zu imitieren, wie menschliche Gehirne Entscheidungen treffen, einschließlich ihrer eigenen Klassifizierungen von Daten. DL erfordert in der Regel große Datenmengen und Hochleistungscomputer (HPC).

Überall dort, wo genügend Daten gesammelt werden können, um Algorithmen zu trainieren, bietet sich die Entwicklung von KI an - von der Steuerung autonomer Fahrzeuge über die Vorhersage des Energieverbrauchs bis hin zur Beschleunigung von technischen Simulationen durch das Erlernen komplexer physikalischer Zusammenhänge.

Artificial Intelligence

Autonome Fahrzeuge mit Simulation und KI entwickeln

Artificial Intelligence

Die Entwicklung autonomer Fahrzeugtechnologien ist eine gewaltige Herausforderung, die neue Entwicklungen in den Bereichen Sensortechnologien, maschinelles Lernen und künstliche Intelligenz erfordert.

Watch the Webinar

Die Entwicklung von fortschrittlichen Fahrerassistenzsystemen (ADAS) und autonomen Fahrzeugen ist eine beispiellose Herausforderung. Schätzungen zufolge sind Milliarden von Kilometern an Straßentests erforderlich, um Sicherheit und Zuverlässigkeit zu gewährleisten. Diese unmögliche Aufgabe kann nur mit Hilfe der technischen Simulation bewältigt werden. Mit Hilfe der Simulation können Tausende von Fahrszenarien und Konstruktionsparametern virtuell getestet werden, und zwar präzise, schnell und kostengünstig.

In diesem 60-minütigen Webinar werden sechs spezifische Bereiche beschrieben, in denen die Simulation bei der Entwicklung von autonomen Fahrzeugen und ADAS unerlässlich ist. Außerdem werden Beispiele genannt und die Vorteile der Simulation untermauert, während die für die Simulation von ADAS und autonomen Fahrzeugen erforderlichen Werkzeuge vorgestellt werden.

Beschleunigung der Simulation mit künstlicher Intelligenz, maschinellem Lernen und Deep Learning

KI ermöglicht es Ingenieur*innen, mit großen, komplexen Entwürfen schneller zu arbeiten, ohne dass die Genauigkeit zugunsten der Geschwindigkeit aufgegeben wird.

2021-01-semiconductors-redhawk-sc--electro.jpg

100-fache Steigerung der Simulationsgeschwindigkeit

Ansys setzt in der Ansys RedHawk-SC-Produktfamilie tiefe neuronale Netze ein, um Monte-Carlo-Simulationen bis zu 100-mal schneller zu machen und die Auswirkungen von Spannungen auf das Timing besser zu verstehen.

2021-01-optislang-reduced-modeling.jpg

1.000X schnellere Lösung

Ein Kunde aus der Automobilindustrie nutzte die Vorteile des maschinellen Lernens von Ansys OptiSLang, um eine autonome Lösung für das sogenannte "Stau"-Problem zu finden, bei dem ein vorausfahrendes Fahrzeug plötzlich die Spur wechselt und den Verkehr verlangsamt. Das Unternehmen war in der Lage, eine Lösung für dieses Problem zu finden, und zwar 1.000 Mal schneller als mit den bisherigen Monte-Carlo-Methoden.

2021-01-optislang-ai.jpg

10.000 verschiedene Designs

Mit dem Einsatz von KI/ML betreten wir eine Welt des generativen Designs, in der 10.000 verschiedene Designs auf der Grundlage von Spezifikationen untersucht und mit Hilfe von Hochleistungsrechnern und Ansys Cloud schnell simuliert werden, um Konstrukteur*innen die beste Option zu bieten.

Expertise

Ausgewählte Veranstaltungen

WEBINARE

Zu den Webinaren

2021-01-power-artist-chip-package-system.jpg

Multivariable Build-Qualitätsmetriken mit hohem Abdeckungsgrad bei Power-Integrity-Signoff

Halbleiterchips für die nächste Generation von Automobil-, Mobil- und High-Performance-Computing-Anwendungen - angetrieben durch KI- und maschinelle Lernalgorithmen - erfordern den Einsatz fortschrittlicher 16/7nm-System-on-Chips (SoCs), die größer, schneller und komplexer sind.

Computer chip graphic with the 5G symbol

5G-Design-Innovation durch Simulation

Diese Präsentation zeigt die Vergangenheit, Gegenwart und Zukunft der mobilen Vernetzung und wie die Konvergenz von 5G, Edge Computing und künstlicher Intelligenz die Branchenlandschaft verändern wird.

Artificial Intelligence

SkyAngels und Ansys

Sehen Sie, wie die Ansys-Simulation SkyAngels bei der Entwicklung von Berechnungsintelligenz für autonome Luftfahrzeuge unterstützt, die in einem nicht segregierten Luftraum auf einem vorgegebenen Zertifizierungspfad navigieren sollen.

Ausgewählte Ressourcen

Zu den Ressourcen

Ressourcen

Driving a Radar Revolution arbe

Neuerungen in Ansys optiSLang

Die Deep-Learning-Erweiterung von optiSLang ergänzt den MOP-Wettbewerb (Metamodel of Optimal Prognosis) um neuronale Netze, mit denen sehr große Datensätze schnell und präzise analysiert werden können. Dies erweist sich als besonders hilfreich bei der Entwicklung fortschrittlicher Fahrerassistenzsysteme.

2020-12-article-icon-block.jpg

Ansys Multiphysics-Lösungen erhalten die Zertifizierung für die N3- und N4-Prozesstechnologien von TSMC

Dies ermöglicht es den Kunden, kritische Energie-, Wärme- und Zuverlässigkeitsstandards für hochentwickelte Chips für künstliche Intelligenz/Maschinenlernen, 5G, Hochleistungscomputer (HPC), Netzwerke und autonome Fahrzeuge zu erfüllen.

2020-12-white-paper-icon-block.jpg

Eine integrierte Simulationsplattform zur Validierung der Sicherheit von autonomen Fahrzeugen

Die heutigen autonomen Fahrsysteme werden größtenteils mit Deep-Learning-Algorithmen entwickelt, die so trainiert werden können, dass sie in nahezu jeder Fahrsituation die richtige Entscheidung treffen. Diesen Systemen fehlen jedoch die detaillierten Anforderungen und die Architektur, die bisher für die Validierung sicherheitskritischer Software verwendet wurden, wie z. B. für die Steuerung von Verkehrsflugzeugen.

2020-12-white-paper-icon-block.jpg

Wie maschinelles Lernen dabei hilft, additiv gefertigte Teile schneller auf den Markt zu bringen

Damit sich die additive Fertigung (AM) als gängige industrielle Produktionstechnik durchsetzen kann, muss eine Herausforderung bewältigt werden: Geschwindigkeit und Zuverlässigkeit. Wie können Prozessparameter für additiv gefertigte Teile schnell optimiert und somit die Markteinführungszeit verkürzt werden?

VIDEOS