案例簡(jiǎn)介

NVIDIA 與百度飛槳雙方技術(shù)團(tuán)隊(duì)通過(guò)在數(shù)據(jù)、算法、模型等多個(gè)方面的合作，共同打造了一款適用于車(chē)輛空氣動(dòng)力學(xué)數(shù)值模擬的 3D 高精度汽車(chē)風(fēng)阻預(yù)測(cè)模型——DNNFluid-Car。經(jīng)過(guò)訓(xùn)練的 DNNFluid-Car 模型的計(jì)算速度比傳統(tǒng)數(shù)值計(jì)算的速度快至少 2-3 個(gè)數(shù)量級(jí)，有效減少了對(duì)數(shù)以千計(jì)的 CPU 計(jì)算資源的依賴(lài)。

使用 AI 方法提升仿真效率

自汽車(chē)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(chē)行駛過(guò)程中為克服氣動(dòng)阻力而消耗的能量占整車(chē)能耗的 20% 左右。通常工程師會(huì)利用計(jì)算流體力學(xué)（CFD）軟件來(lái)計(jì)算不同汽車(chē)外形的流場(chǎng)信息，識(shí)別并改進(jìn)高阻力區(qū)域，如車(chē)身前端、車(chē)頂和尾部。而通常 CFD 通過(guò)外流場(chǎng)空氣動(dòng)力學(xué)模擬計(jì)算風(fēng)阻需要大量的計(jì)算時(shí)間和計(jì)算資源，以一個(gè)千萬(wàn)級(jí)網(wǎng)格計(jì)算為例，完成一個(gè)設(shè)計(jì)版本的模擬使用約 2000 CPU 核*時(shí)的計(jì)算資源。

當(dāng)前汽車(chē)行業(yè)車(chē)型高速迭代的趨勢(shì)對(duì)整車(chē)氣動(dòng)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(mǎn)足這一需求的重要途徑。基于物理模型和傳統(tǒng)數(shù)值計(jì)算方法的低階矩湍流模型在實(shí)際工程 CFD 計(jì)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(chē)外形快速概念設(shè)計(jì)和全空間氣動(dòng)優(yōu)化的需求。

值得我們關(guān)注的是，近年來(lái)，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(mǎn)足這一需求注入了希望。NVIDIA 和百度飛槳團(tuán)隊(duì)通過(guò) AI 的方法，基于工業(yè)級(jí)汽車(chē)空氣動(dòng)力學(xué)仿真數(shù)據(jù)，訓(xùn)練出可以秒級(jí)計(jì)算任意車(chē)型幾何設(shè)計(jì)的風(fēng)阻系數(shù)模型，為加速汽車(chē)設(shè)計(jì)仿真提供新的方案。

NVIDIA Modulus 助力風(fēng)阻預(yù)測(cè)模型實(shí)現(xiàn)

近些年，利用 AI 模型預(yù)測(cè)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(jī)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(wèn)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(guò)純數(shù)據(jù)驅(qū)動(dòng)的方法實(shí)現(xiàn)對(duì)汽車(chē)表面壓力和壁面剪切應(yīng)力分布的預(yù)測(cè)，進(jìn)而預(yù)測(cè)相應(yīng)幾何的汽車(chē)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(chē)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(wú)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(jì)算效率及空間分辨率。

在 DNNFluid-Car 模型開(kāi)發(fā)過(guò)程中，NVIDIA 和百度一起，結(jié)合 DNNFluid-Car 模型特點(diǎn)，基于飛槳進(jìn)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(shí)上，基于飛槳框架適配的 Modulus，能夠充分利用飛槳的高階自動(dòng)微分機(jī)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(dòng)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(guò)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(duì)以上內(nèi)容分別進(jìn)行了汽車(chē)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(duì)未知車(chē)型的表面壓力預(yù)測(cè)，在NVIDIA Tensor Core GPU環(huán)境下，數(shù)秒內(nèi)即可得到汽車(chē)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(shí)間，DNNFluid-Car 模型的計(jì)算速度比傳統(tǒng)數(shù)值計(jì)算的速度快至少 2-3 個(gè)數(shù)量級(jí)，有效減少了對(duì)數(shù)以千計(jì)的 CPU 計(jì)算資源的依賴(lài)。

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(kāi)發(fā)等方面的便捷性與高性能的特點(diǎn)，為當(dāng)前快速預(yù)測(cè)汽車(chē)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(tuán)隊(duì)正在攜手與高校科研和汽車(chē)工業(yè)用戶(hù)共同優(yōu)化現(xiàn)有模型。提升模型在用戶(hù)實(shí)際場(chǎng)景下的精度和實(shí)用性要求。同時(shí)，針對(duì)模型推理與部署中計(jì)算資源需求大的問(wèn)題，研發(fā)團(tuán)隊(duì)基于框架推理優(yōu)化技術(shù)，也將進(jìn)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(lái)，結(jié)合NVIDIA Omniverse數(shù)字孿生平臺(tái)，可以打造交互式、實(shí)時(shí)汽車(chē)氣動(dòng)力學(xué)仿真應(yīng)用。