Узнайте, как новаторы объединяют физическое моделирование, ускоренные вычисления и искусственный интеллект (ИИ) для создания инноваций в области физического ИИ в различных отраслях.
Автомобильное освещение. Аэрокосмическая валидация. Автономные транспортные средства. Инновации в материалах. Сложные литографические системы. Поддержка промышленных рабочих нагрузок ИИ. Это лишь некоторые примеры из множества приложений, которые уже используют преимущества ускоренных вычислений, физики ИИ и физического искусственного интеллекта (ИИ), связывающего цифровой ИИ с аппаратным обеспечением, способным воспринимать физический мир и действовать в нем.
Несмотря на стремительный рост физического ИИ и широкий спектр потенциальных применений, обеспечить его успешную работу в реальных условиях далеко не просто. Для этого требуются надежные решения для моделирования, высокоточная основа на базе физики ИИ и ресурсы ускоренных вычислений, способные обрабатывать сложные рабочие нагрузки.
NVIDIA ускоренные вычисления и библиотеки CUDA-X ускоряют инженерные приложения для полупроводников от Synopsys, помогая командам быстрее моделировать поведение устройств, исследовать материалы и оценивать производственные процессы. Например, Ральф Сименец (Ralf Siemieniec), старший главный инженер в Infineon Technologies, мировом лидере в области полупроводниковых решений, отмечает: «Использование ускорения на графических процессорах (GPU) позволяет значительно сэкономить время при решении масштабных задач в трехмерном моделировании устройств благодаря сильному сокращению времени расчетов».
Используя четыре графических процессора NVIDIA H200, компания Infineon сократила время моделирования с 24 дней до менее чем 48 часов, зафиксировав 12-кратное ускорение. Хотя это пример моделирования полупроводников, а не приложения физического ИИ, он иллюстрирует, как ускоренные вычисления могут кардинально расширить масштаб и скорость инженерных рабочих процессов на основе физики.
Чтобы реализовать эти преимущества в различных отраслях, ведущие компании используют решения от Synopsys для обучения, тестирования и валидации систем физического ИИ и лежащих в их основе технологий. Решения Synopsys предлагают ряд преимуществ, включая масштабную генерацию физически точных синтетических данных, ускорение разработки робототехники и валидацию автономных систем перед развертыванием. Они дополнительно усиливаются благодаря сотрудничеству Synopsys и NVIDIA, которое объединяет точное физическое моделирование с иммерсивными виртуальными средами и масштабируемыми вычислениями.
Как это выглядит в приложениях физического ИИ? Следующие примеры показывают, как организации используют моделирование, синтетические данные, цифровые двойники и ускоренные вычисления для разработки и валидации интеллектуальных систем, которые в конечном итоге работают в физическом мире.
Изучите три реальных примера применения физического ИИ на базе решений Synopsys
1: Как FORVIA HELLA ускоряет разработку автомобильного освещения и использует облачные решения T-Systems с ускорением на GPU
Будущее автомобильного освещения становится все более ярким. По словам доктора Андре Штеффена (Dr. Andre Steffen), руководителя направления компьютерного проектирования систем освещения в компании FORVIA HELLA, автомобильное освещение превращается в интеллектуальную программно-определяемую платформу, которая поддерживает безопасность, связь, персонализацию и даже идентичность бренда. Эта эволюция также порождает проблемы, включая растущую сложность продуктов и давление со стороны необходимости сокращения времени и затрат на разработку.
FORVIA HELLA решает эти задачи, переходя от физического тестирования к исследованию, оптимизации и валидации целых концепций освещения в виртуальной среде. Для поддержки этого перехода FORVIA HELLA использует решения от Ansys, входящей в состав Synopsys, включая интегрированное с системами автоматизированного проектирования (САПР) программное обеспечение для оптического моделирования и моделирования освещения Ansys Speos, чтобы создавать фотореалистичные визуализации для виртуальной валидации оптических характеристик своих систем освещения.
Этот процесс дополнительно ускоряется за счет использования облачной службы GPU-моделирования T-Systems Industrial AI Cloud вместо локальной среды на базе CPU, что снижает время моделирования на 86% при сравнении 512 ядер CPU и 32 графических процессоров NVIDIA RTX Pro 6000.
Перенеси значительную часть деятельности по валидации в среду, управляемую моделированием, FORVIA HELLA сократила количество итераций разработки, уменьшила циклы принятия решений, свела к минимуму затраты, повысила уверенность в производительности и соответствии продукта требованиям, а также сместила физическое тестирование в сторону финального подтверждения, а не поиска решений на ранних этапах проектирования. Эта основа виртуального инжиниринга становится все более важной по мере того, как системы освещения развиваются от отдельных компонентов в интеллектуальные программно-определяемые системы.
«В FORVIA HELLA мы верим, что физический ИИ представляет собой следующий крупный скачок в разработке продуктов. Физический ИИ позволяет нам ускорить создание систем освещения нового поколения, одновременно снижая затраты и поддерживая более устойчивые инженерные практики за счет меньшего количества физических прототипов. Результатом являются лучшие продукты, выходящие на рынок быстрее, с более высокой производительностью и надежностью с первого дня».
— Д-р Андре Штеффен, руководитель направления компьютерного проектирования систем освещения в FORVIA HELLA
2: Как Leonardo ускоряет критически важную аэрокосмическую валидацию
Функции восприятия и полета вертолета должны безопасно работать в сложных и ухудшенных условиях. К ним могут относиться суровая погода, ограниченные визуальные ориентиры, непредсказуемая турбулентность, движущиеся посадочные платформы и недоступность сигналов Глобальной системы позиционирования (GPS). Тем не менее, эффективное воспроизведение этого широкого спектра условий с высоким уровнем инженерной уверенности исключительно с помощью физического тестирования может быть дорогостоящим и сложным.
Leonardo изучает разработку на основе моделирования для виртуального воссоздания разнообразных сред и поведения датчиков, включая сложные сценарии миссий, и все это до начала физического тестирования. Такой подход имеет важнейшее значение для разработки физического ИИ, поскольку он позволяет командам разрабатывать, обучать и проверять функции восприятия и автономного полета на базе ИИ в реалистичных виртуальных средах до проведения дорогостоящих или сложных физических тестов.
Для достижения этой цели компания Leonardo использовала программное обеспечение для моделирования датчиков автономных транспортных средств Ansys AVxcelerate Sensors для моделирования работы камер, радаров и лидаров, а также для генерации синтетических многосенсорных данных. Благодаря этому команда объединила результаты моделирования датчиков с функциями восприятия и автономного полета в синтетических средах миссий. Рабочие процессы на базе Open Universal Scene Description (OpenUSD) и библиотеки NVIDIA Omniverse также помогают командам Leonardo собирать, совместно использовать и повторно применять критически важные ресурсы, тем самым повышая эффективность и управляя сложностью.
В то же время более масштабный подход компании Leonardo к цифровым двойникам объединяет моделирование среды миссии, модели на основе физики, генерацию синтетических данных и рабочие процессы с поддержкой ИИ для обеспечения разработки и виртуального тестирования автономных летательных аппаратов и других воплощенных систем.
3: Как INYO Mobility GmbH разрабатывает и проверяет автономные транспортные средства
INYO-Cab представляет собой автономное четырехместное транспортное средство, предназначенное для оказания услуг общественного транспорта на первом и последнем этапах маршрута. Прежде чем выйти на дороги общего пользования, оно должно соответствовать строгим стандартам безопасности и нормативным требованиям, одновременно обеспечивая максимальный комфорт пассажиров и энергоэффективность. Достижение этих целей требует сбора, анализа и обработки большого объема данных.
Поскольку только физическое тестирование и сбор данных не могут обеспечить достаточный объем данных для обучения и валидации, компания INYO обратилась к решениям для моделирования и валидации от Ansys. Поскольку автономность INYO-Cab обеспечивается за счет физического искусственного интеллекта, точное и надежное моделирование имеет решающее значение для комплексного обучения, объясняет Маркус Цвиц (Marcus Zwick), основатель и генеральный директор INYO.
Для внедрения этих решений компания INYO сотрудничала с CADFEM, элитным партнером Ansys в рамках партнерской сети. В ходе этого сотрудничества компания CADFEM использовала программное обеспечение AVxcelerate Sensors и более широкую цепочку инструментов разработки и валидации безопасности автономных транспортных средств Ansys AVxcelerate Autonomy для анализа возможностей автономного поведения INYO-Cab. Команда также создала цифровой двойник с использованием платформы цифровых двойников на базе моделирования Ansys Twin Builder и технологий NVIDIA.
INYO-Cab
«Инструменты Ansys и опыт применения компании CADFEM принесли выдающиеся результаты, помогая транспортному средству получить одобрение властей».
— Маркус Цвиц, основатель и генеральный директор INYO
Для таких стартапов, как INYO, эти решения могут сделать передовую разработку и валидацию более доступными по цене и возможностям. Компания INYO использовала решения Synopsys для проверки своего транспортного средства в условиях немецкого городского трафика, итеративной работы за часы, а не недели, и планирования удаленного контроля перед развертыванием.
Узнайте о трех компаниях, использующих Synopsys для ускоренных вычислений и физики ИИ с целью реализации физического искусственного интеллекта
Хотя не все организации разрабатывают системы физического ИИ напрямую, многие из них предоставляют фундаментальные технологии, которые делают физический ИИ возможным. Следующие примеры иллюстрируют, как ускоренные вычисления и физика ИИ ускоряют инновации в различных инженерных дисциплинах.
1: Как EMD Electronics трансформирует инновации в области материалов
Поскольку полупроводниковая промышленность вступает в эру искусственного интеллекта и физического ИИ, потребность в более высокой производительности продолжает расти. Этот сдвиг увеличивает спрос на передовые материалы, включая те, которые необходимы для интеграции 3D-систем. Именно здесь на сцену выходит EMD Electronics. EMD Electronics, североамериканское подразделение по разработке электроники компании Merck KgaA (Дармштадт, Германия), разрабатывает материалы и оборудование для широкого спектра полупроводниковых процессов, помогая клиентам повышать производительность полупроводниковых технологий. «Наши материалы позволяют нашим клиентам раздвигать границы производительности полупроводниковых технологий», — говорит Джейкоб Вудрафф (Jacob Woodruff), руководитель отдела технологического поиска и партнерства в компании.
«Благодаря нашему сотрудничеству с Synopsys у нас появилась уникальная возможность связать наш глубокий опыт в области материалов с надежным физически обоснованным цифровым проектированием для моделирования поведения материалов, изучения сложных взаимодействий и более ранней валидации вариантов».
— Суреш Раджараман (Surésh Rajaraman), исполнительный вице-президент и технический директор EMD Electronics
Для продвижения инноваций в области материалов компания EMD Electronics должна установить предсказательные связи между составом материала, структурой, процессом и результатами производства устройств. По словам Вудраффа, понимание и прогнозирование взаимосвязей между структурой и свойствами остается сложной задачей для сложных материалов. Эта сложность проистекает из мультифизических явлений, участвующих в производстве полупроводников, и огромных различий в масштабах длины и времени.
Чтобы преодолеть эти трудности, компания EMD Electronics использует межатомные потенциалы на основе машинного обучения и квантово-механическое моделирование в программном обеспечении для атомистического моделирования Synopsys QuantumATK для изучения полупроводниковых материалов и прогнозирования их поведения. Программное обеспечение QuantumATK сочетает в себе ускоренные вычисления NVIDIA и библиотеки CUDA-X для ускорения атомистического моделирования. Это помогает исследователям быстрее оценивать более широкие пространства проектирования материалов и определять перспективных кандидатов для дальнейшей разработки.
Заглядывая в будущее, компания EMD Electronics рассматривает свое сотрудничество с Synopsys как основу для более связанных, управляемых моделированием цифровых рабочих процессов, охватывающих материалы, процессы, устройства, корпусирование и производительность на системном уровне. Компания ожидает, что эти возможности сократят циклы разработки, повысят точность прогнозирования и позволят раньше выявлять перспективные материалы, тем самым ускоряя путь от открытия до внедрения в производство.
2: Как imec продвигает будущее полупроводниковых инноваций
Поскольку масштабирование полупроводников приближается к фундаментальным физическим пределам, lithography системы и связанные с ними технологические проблемы также становятся более сложными. Например, в литографии в глубоком ультрафиолете (EUV) и литографии с высокой числовой апертурой (High-NA EUV) взаимосвязанные переменные затрудняют экспериментальную оптимизацию. И это не единственная проблема. Передовые экспериментальные инструменты дороги и ограничены, в то время как технологические окна продолжают сужаться.
Чтобы справиться с этими трудностями, imec оценила преимущества ускоренного графическими процессорами программного обеспечения для моделирования Synopsys S-Litho и функции S-Litho EUV, ускоренной графическими процессорами NVIDIA, для оценки передовых литографических процессов. Эти решения помогают исследователям моделировать формирование изображений, маски, резисты, стохастические эффекты и производительность технологического окна для применений в глубоком ультрафиолете (DUV), EUV и High-NA EUV. Решения Synopsys также поддерживают межотделочное сотрудничество и предоставляют доступ к вычислениям, ускоренным на GPU. В бенчмарке с использованием модели imec компания Synopsys продемонстрировала ускорение до 40 раз при использовании S-Litho с ускорением на GPU.
«(Решения Synopsys) позволяют нам исследовать чувствительность процессов, оптимизировать дизайн масок, оценивать будущие концепции литографии и получать представление о механизмах отказов, которые было бы очень сложно или дорого изучать экспериментально».
— Эрик Хендрикс (Eric Hendrickx), менеджер по исследованиям и разработкам в Imec
Для imec «самым важным преимуществом стала уверенность», — объясняет Эрик Хендрикс, менеджер по исследованиям и разработкам в Imec. Строгое моделирование позволяет исследователям imec сократить расходы на эксперименты, принимать технологические решения раньше и оценивать будущие варианты — иногда за годы до появления производственного аппаратного обеспечения. В результате команды могут сосредоточить ресурсы на наиболее перспективных вариантах. Это станет еще более важным по мере того, как физический ИИ и моделирование с ускорением на GPU позволят оценивать миллионы возможностей, оставаясь при этом привязанными к реальности. «В совокупности эти технологии сократят циклы разработки, повысят инженерную уверенность, снизят затраты и ускорят внедрение будущих полупроводниковых технологий, разработка которых в противном случае заняла бы слишком много времени», — добавляет Хендрикс.
3. Как T-Systems создает основу для физического искусственного интеллекта
Физический искусственный интеллект (Physical AI) и передовое моделирование в конечном итоге зависят от инфраструктур, способных справляться с растущими нагрузками в больших масштабах. T-Systems Industrial AI Cloud (IAIC) предоставляет ускоренные вычислительные мощности для искусственного интеллекта, моделирования, цифровых двойников и других промышленных рабочих нагрузок в защищенной и соответствующей требованиям среде.
По мере роста сложности продуктов инженеры могут использовать инфраструктуру IAIC с ускорением на базе GPU для «запуска крупномасштабного моделирования, более глубокого изучения проектного пространства и принятия более обоснованных решений по мере перехода продуктов от концепции к развертыванию», — говорит Бьёрн Вайденмюллер (Björn Weidenmüller), старший вице-президент по выходу на рынок решений AI Factory. Эта инфраструктура предоставляет организациям надежную основу для ускоренных вычислений, необходимую для физического ИИ, моделирования, цифровых двойников и виртуального тестирования в промышленных масштабах.
Например, проекты, одобренные FORVIA HELLA, также тестировались с использованием возможностей ускоренных вычислений, предоставляемых дата-центрами T-Systems. Используя рабочую нагрузку для автомобильного наружного освещения, одобренную FORVIA HELLA, компания Synopsys провела тесты в суверенной облачной среде T-Systems, которые продемонстрировали ускорение в 14,4 раза на 32 NVIDIA RTX 6000 PRO Blackwell Server Edition GPUs по сравнению с конфигурацией на базе 256-ядерного процессора (CPU), сократив время моделирования с более чем 4,5 часов до менее чем 19 минут. Почти линейное масштабирование до 32 графических процессоров (GPU) обеспечило быстрое выполнение крупномасштабных оптических симуляций, позволив инженерным командам ускорить исследование вариантов дизайна и принятие решений.
В перспективе дальнейшая интеграция инфраструктуры T-Systems и решений Synopsys может еще больше помочь инженерным командам масштабировать моделирование, изучать больше вариантов дизайна и принимать обоснованные решения на более ранних этапах разработки.
Реинжиниринг инженерных процессов с помощью решений Synopsys
В различных отраслях прослеживается общая тенденция: компании полагаются на моделирование, физику ИИ, цифровых двойников и ускоренные вычисления для решения все более сложных инженерных задач до того, как они перенесутся в физический мир.
Будь то валидация автономных летательных аппаратов, разработка интеллектуальных систем освещения или развитие производства полупроводников, организации используют эти технологии для сокращения циклов разработки, улучшения валидации и повышения уверенности в производительности продуктов.
Эти технологии также открывают новые потенциальные возможности для сотрудничества, способного продвинуть целые отрасли вперед. Например, «по мере усложнения полупроводниковых архитектур инновации в области материалов становятся все более важными для повышения производительности, энергоэффективности, надежности и масштабируемости», — говорит Суреш Раджараман (Surésh Rajaraman), исполнительный вице-президент и технический директор EMD Electronics. «Благодаря нашему сотрудничаству с Synopsys у нас появилась уникальная возможность объединить нашу глубокую экспертизу в области материалов с надежным физическим цифровым инжинирингом для моделирования поведения материалов, изучения сложных взаимодействий и более ранней валидации решений. Именно так мы видим следующий этап инноваций в области материалов: интегрированная экосистема на основе данных, в которой искусственный интеллект и физика работают вместе, помогая нашим клиентам быстрее выводить на рынок полупроводниковые технологии нового поколения».
По мере того как искусственный интеллект продолжает проникать в физический мир, способность точно моделировать, тестировать и проверять поведение в реальных условиях станет конкурентным преимуществом. Эти реальные примеры демонстрируют, как решения Synopsys помогают компаниям преодолеть разрыв между искусственным интеллектом и реальностью, обеспечивая следующее поколение инноваций с помощью физического ИИ.
Узнайте больше о решениях Synopsys в области физического ИИ. Вы также можете пообщаться с нами по поводу физического ИИ, ускоренных вычислений и многого другого на NVIDIA GTC Berlin, booth #7011 с 20 по 22 октября 2026 года.
