案例簡介

NVIDIA 與百度飛槳雙方技術(shù)團隊通過在數(shù)據(jù)、算法、模型等多個方面的合作，共同打造了一款適用于車輛空氣動力學(xué)數(shù)值模擬的 3D 高精度汽車風(fēng)阻預(yù)測模型——DNNFluid-Car。經(jīng)過訓(xùn)練的 DNNFluid-Car 模型的計算速度比傳統(tǒng)數(shù)值計算的速度快至少 2-3 個數(shù)量級，有效減少了對數(shù)以千計的 CPU 計算資源的依賴。

使用 AI 方法提升仿真效率

自汽車行業(yè)誕生之初，降低風(fēng)阻系數(shù)一直是行業(yè)的重要目標(biāo)之一。數(shù)據(jù)顯示，汽車行駛過程中為克服氣動阻力而消耗的能量占整車能耗的 20% 左右。通常工程師會利用計算流體力學(xué)（CFD）軟件來計算不同汽車外形的流場信息，識別并改進高阻力區(qū)域，如車身前端、車頂和尾部。而通常 CFD 通過外流場空氣動力學(xué)模擬計算風(fēng)阻需要大量的計算時間和計算資源，以一個千萬級網(wǎng)格計算為例，完成一個設(shè)計版本的模擬使用約 2000 CPU 核*時的計算資源。

當(dāng)前汽車行業(yè)車型高速迭代的趨勢對整車氣動阻力優(yōu)化工作提出了更高的效率要求，快速提供高精度的 CFD 數(shù)值模擬結(jié)果是滿足這一需求的重要途徑。基于物理模型和傳統(tǒng)數(shù)值計算方法的低階矩湍流模型在實際工程 CFD 計算中得到了廣泛的應(yīng)用，但其仿真速度不足以有效支撐當(dāng)前汽車外形快速概念設(shè)計和全空間氣動優(yōu)化的需求。

值得我們關(guān)注的是，近年來，AI 模型等相關(guān)技術(shù)在科學(xué)和工程領(lǐng)域的快速發(fā)展為滿足這一需求注入了希望。NVIDIA 和百度飛槳團隊通過 AI 的方法，基于工業(yè)級汽車空氣動力學(xué)仿真數(shù)據(jù)，訓(xùn)練出可以秒級計算任意車型幾何設(shè)計的風(fēng)阻系數(shù)模型，為加速汽車設(shè)計仿真提供新的方案。

NVIDIA Modulus 助力風(fēng)阻預(yù)測模型實現(xiàn)

近些年，利用 AI 模型預(yù)測風(fēng)阻已有很多探索，但之前的模型絕大部分未考慮太多物理信息。NVIDIA Modulus正是基于物理的機器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)框架，其中集成了可以處理流體力學(xué)、傳熱學(xué)、結(jié)構(gòu)力學(xué)等物理問題的神經(jīng)網(wǎng)絡(luò)模型、算子等。

DNNFluid-Car 正是基于 NVIDIA Modulus，其中核心模型基于幾何信息神經(jīng)算子（Geometry-informed neural operator, GINO）網(wǎng)絡(luò)，通過純數(shù)據(jù)驅(qū)動的方法實現(xiàn)對汽車表面壓力和壁面剪切應(yīng)力分布的預(yù)測，進而預(yù)測相應(yīng)幾何的汽車的風(fēng)阻系數(shù)。GINO 網(wǎng)絡(luò)解決了以往單純卷積神經(jīng)網(wǎng)絡(luò)（CNN）和傅立葉神經(jīng)算子（FNO）難以適應(yīng)大規(guī)模汽車不規(guī)則幾何外形的難題。另外，與 CNN 相比，F(xiàn)NO 具有全局感受野、高效性和網(wǎng)格無關(guān)性，這使得基于 FNO 中間層的 GINO 網(wǎng)絡(luò)具有更好的泛化性和更高的精度、計算效率及空間分辨率。

在 DNNFluid-Car 模型開發(fā)過程中，NVIDIA 和百度一起，結(jié)合 DNNFluid-Car 模型特點，基于飛槳進行了端到端的深度加速，模型訓(xùn)練效果與優(yōu)化前相比，訓(xùn)練速度提升了 10 倍，顯存占用降低了 50%。事實上，基于飛槳框架適配的 Modulus，能夠充分利用飛槳的高階自動微分機制和編譯優(yōu)化技術(shù)，部分案例在飛槳后端的訓(xùn)練和推理效率已初步超越了 PyTorch 后端。

另外，作為純數(shù)據(jù)驅(qū)動的模型，DNNFluid-Car 模型的訓(xùn)練數(shù)據(jù)為 CFD 數(shù)值模擬數(shù)據(jù)，該數(shù)據(jù)的生成過程包括幾何生成、網(wǎng)格劃分、數(shù)值模擬和后處理。DNNFluid-Car 針對以上內(nèi)容分別進行了汽車幾何生成和修復(fù)、數(shù)據(jù)下采樣優(yōu)化。

利用 DNNFluid-Car 模型能夠?qū)崿F(xiàn)對未知車型的表面壓力預(yù)測，在NVIDIA Tensor Core GPU環(huán)境下，數(shù)秒內(nèi)即可得到汽車表面的壓力分布、風(fēng)阻系數(shù)等關(guān)鍵信息。如果僅考慮模型推理時間，DNNFluid-Car 模型的計算速度比傳統(tǒng)數(shù)值計算的速度快至少 2-3 個數(shù)量級，有效減少了對數(shù)以千計的 CPU 計算資源的依賴。

百度杰出架構(gòu)師胡曉光表示：“DNNFluid-Car 模型充分利用了百度飛槳深度學(xué)習(xí)框架及 NVIDIA Modulus 在模型訓(xùn)練和模型開發(fā)等方面的便捷性與高性能的特點，為當(dāng)前快速預(yù)測汽車風(fēng)阻系數(shù)提供了可行的解決方案。”

持續(xù)優(yōu)化 AI 精度和推理速度

當(dāng)前，NVIDIA 和百度飛槳團隊正在攜手與高校科研和汽車工業(yè)用戶共同優(yōu)化現(xiàn)有模型。提升模型在用戶實際場景下的精度和實用性要求。同時，針對模型推理與部署中計算資源需求大的問題，研發(fā)團隊基于框架推理優(yōu)化技術(shù)，也將進行模型剪枝、量化等相應(yīng)的優(yōu)化，使 DNNFluid-Car 模型能更加靈活地應(yīng)用到多種部署環(huán)境中。未來，結(jié)合NVIDIA Omniverse數(shù)字孿生平臺，可以打造交互式、實時汽車氣動力學(xué)仿真應(yīng)用。