会议纪要
2024年9月23日，第十届高性能计算中间件技术研讨会HPCMid2024在武汉光谷成功召开。本次研讨会以“CAE智能技术”为主题，探讨自主CAE软件的智能研发技术。来自国内学术界和工业界的近百名研发人员参加会议。
首先，研讨会共同主席莫则尧研究员做开幕致辞。今年恰逢HPCMid十周年，莫老师回顾了HPCMid的发展历程，将过去十年HPCMid的主题划分为几个阶段：性能优化-基础软件-自主CAE软件。每个阶段都围绕价值导向引出下一个阶段，即：性能优化的成果只有形成科学工程计算的基础软件才能产生价值，而基础软件只有融入到自主CAE软件中才能发挥效益。目前正在经历第四个阶段，需要解决自主CAE软件的可用性问题，支持工业设计的在线分析与快速响应。要解决这个问题，智能化技术是一条可能的途径，这也是把今年HPCMid的主题定为CAE智能技术的原因。希望经过这几个阶段的发展，使得算力通过自主CAE软件进入到国家重要装备研制和工业设计的流程，从而使得算力变成新质生产力，在实体经济和装备建设中发挥真正的作用。
会议共安排了10个报告，上午的报告由张林波研究员和徐小文研究员主持。
来自国防科技大学的陈新海分享了题为《基于网格离散的偏微分方程智能求解软件框架》的报告。报告首先介绍了科学计算与人工智能融合的研究背景，指出三个需求：科学计算、智能计算和智能科学计算，分别介绍了要素、特点和存在的问题；基于偏微分方程求解中存在的问题，报告人所在团队提出PDE智能求解框架YH-AI4PDE，围绕基于网格离散的偏微分方程智能求解，开展体系化智能算法研究，旨在借助人工智能算法实现PDE自动求解；网格生成、数值求解、数据可视化是PDE数值求解的核心，报告接下来从网格生成智能化、智能流场计算、智能可视化三方面介绍团队工作，最后总结到，在这三方面实现了基于代理智能模型的工作流，未来将依托天河新一代系统进一步完善AI4科学的框架。
来自中国科学院计算技术研究所的贾伟乐研究员分享了题为《科学智能在分子动力学领域的应用》报告。报告围绕传统科学计算的成功和挑战以及HPC+AI的微观尺度模拟初探两方面，介绍了人工智能的发展历程、科研范式的变革，第一性原理计算的挑战及发展现状。同时报告重点阐述了引入物理不变形的科学智能模型DeePMD，并围绕HPC+AI驱动的第一性原理分子动力学的三个步骤：“数据”、“训练”、“推理”中的挑战和优化成果进行了剖析和总结，点明智能化科研（AI4R）在第一性原理分子动力学中实现了数量级的提高，但智能化科研解决问题的流程变长、变复杂了，因此科研工作的自动化更加重要，而物理原理的引入更是关键，未来也需要考虑更新AI架构。
来自北京大学的吴建国教授分享了题为《高斯过程代理模型的迁移学习方法》的报告。报告首先介绍了代理模型为数值仿真技术带来的改变，基于已有仿真数据训练的数据模型，代理模型可以快速地给出未知输入下的仿真结果和不确定性度量；为了从数据丰富的仿真系统向感兴趣的目标系统进行信息迁移，提升小样本条件下的目标系统代理模型精度，报告人所在团队提出了一系列基于高斯过程的迁移学习方法，实现了多系统条件下对于可迁移系统的筛选、可迁移区域的识别，在陶瓷3D打印到陶瓷干压成型的场景中验证了该方法对代理模型的精度和稳定性的提升。
来自中国科学院数学与系统科学研究院的孟琪研究员人分享了题为《Towards universal physics-informed neural operator的报告。报告首先从数据、方法等角度介绍了将人工智能融入传统科学计算的发展历程，然后介绍近期在这方面的研究进展，包括几种通用神经算子的人工智能方法的设计，这些方法将物理知识融入到人工智能模型中，以提高控制多个偏微分方程的动态系统进化的效率和准确性。
来自中物院计算机应用研究所的张浩研究员分享了题为《物理信息图神经网络（PIGNN）》的报告。报告首先介绍了代理模型的背景与需求，指出基于数据驱动的代理模型面临难以应对高维问题、样本需求量大等缺陷，由此提出“物理信息图神经网络”（Physics Informed Graph Neural Network， PIGNN），实现融合PDEs与数据的图网络架构，并对比了PINN和PIGNN的测试效果，数值计算结果表明，PIGNN在空间区域大幅改变、网格剖分精度改变、初值条件和方程参数适度改变的条件下，都可以给出较精确的数值解。
下午的报告由张爱清研究员和郑澎研究员主持。
来自中物院高性能数值模拟软件中心的刘娜副研究员分享了题为《面向强爆炸冲击效应的三维复杂场景智能化流体算法初探》的报告。报告围绕冲击波效应评估的精度、准度和效率开展系统研究。报告首先介绍了研究背景、需求及国内外现状，并阐述了基于传统流体高精度方法解决复杂场景冲击波高精度、稳健数值计算方面的进展和在可用中面临的问题，即如何在保证计算精度的前提下，大幅提高模拟效率。之后报告结合现代机器学习技术，介绍了一种新型智能流体算法的研究思路和当前进展，旨在保障复杂场景下冲击波效应数值模拟的精度，并大幅提升计算效率。最后展望了之后的研究需要考虑网络泛化性、间断问题、高维问题、复杂边界问题等方面。
来自中物院流体物理研究所的李晓亚研究员分享了题为《极端环境下材料与构型响应特性数字实验研究进展》的报告。报告首先点明极端环境下材料与构型响应特性实验具有状态极端、材料特殊、过程复杂、超快响应等特点以及加载保真度、诊断精度提升等需求，基于此背景，报告介绍了异常事故场景下的化爆安全性实验和基于先进光源的材料物性数字实验的研究进展。在第一项实验中，报告人所在团队发展了从事故发生到炸药温升、反应演化全过程的多场耦合数值模拟能力，并建立了化爆安全性数字实验场，初步具备实验优化设计、实验数据分析处理、实验结果量化评估，以及面向实际事故场景开展全场景剖面覆盖的数字实验能力；第二项实验为先进光源指标优化、诊断技术设计提供了重要支撑。最后，报告还展望了数字实验与代理模型等人工智能技术的结合。
来自中国空气动力研究与发展中心的苗青工程师分享了题为《稀薄条件下气动力的数据驱动多尺度耦合分析》报告。报告针对超高速条件下飞行器气动特性预测困难，严重影响飞行器的设计优化甚至飞行安全这一难题，介绍了所提出的一种新的分子动力学模拟-神经网络训练-直接蒙特卡罗耦合模拟方法，此方法强调对稀薄条件下的气动力的研究，并采用神经网络方法对初始MD数据库进行了训练，构建气体反射行为高效智能预测模型，实现气固界面相互作用的跨尺度耦合计算与验证。报告详细阐述了研究的背景、模型构建研究思路及基本方法、气动特性跨尺度耦合的实验统计分析、Maxwell模型修正等内容，最后进行了总结和下一步的展望。
来自达索系统（上海）信息技术有限公司的白锐总监分享了题为《AI技术结合CAE仿真的应用和展望》的报告。报告重点介绍了AI技术在计算机辅助工程（CAE）仿真中的变革性作用，通过减少传统仿真中的耗时与人工操作，使仿真更加高效和精确。尤其是机器学习技术的应用，将使结构、流体、电磁等多物理场的CAE仿真得以更快实现，从小时级别缩短到分钟甚至秒级计算。达索系统在3DExperience平台上整合AI技术，实现建模和仿真的一体化，进一步加快产品开发与优化的过程。最后，报告总结了基于AI的CAE仿真不仅可以应用于产品设计优化，还可应用于生产制造工艺仿真和设备运行中的预测性维护，从而创造更大的经济和社会价值。
来自清航飞迈的杨明总监分享了题为《基于物理信息神经网络(PINN)构建快速仿真代理模型》的报告，报告首先介绍了仿真领域的背景以及物理信息神经网络（PINN）的原理和结构，并以锂电池热失控问题和燃烧问题为例介绍PINN在仿真中的应用。报告先展示了PINN如何快速模拟电池中电极材料的应力应变分布，并与传统有限元方法进行了对比；然后演示了PINN针对燃烧过程在多相流动和化学反应仿真中的优势。最后，报告总结了PINN相对于传统方法的优势，展望了PINN与高性能计算技术的融合以及在多尺度多物理场等跨学科领域的应用潜力。
Panel讨论环节由张林波研究员主持，邀请了陈新海、白锐、贾伟乐、肖丽、张浩五位嘉宾，围绕“智能化给CAE带来了什么”的问题开展深入讨论与交流。
首先每位嘉宾结合自身科研和从业经验阐述观点。
陈新海研究员从三方面指出AI为CAE带来的进步：第一优化了设计流程，减少了人机交互和人工介入；第二提升了模拟效率，是大规模计算的速度提升千倍；第三提升了用户体验，使用户更方便地使用CAE软件，高效快速得到计算结果。
白锐总监着重探讨了智能化给CAE从业人员带来的改变，从AI伦理的角度，从业人员对AI的态度可能有分歧，但AI不可能完全取代CAE工作，传统CAE人员的角色和工作职责未来可能发生调整，其在企业的定位将更具有创新性，比如在极端工况等缺乏仿真数据的情形下发挥更大价值；此外，白总监还提到智能化对CAE软件商业模式的冲击，全新的商业模式需要找到合适的应用场景。
贾伟乐研究员指出，AI并不能解决所有问题，传统方式能解决好的问题没必要再用AI，而两类问题值得关注：一是传统方法无法完全解决的黑盒问题，这种问题可解释性差，可以用AI直接拟合；二是知道模型和方程但很难求解的维度灾难问题，AI可以更快解决。同时，AI领域在计算机视觉和自然语言处理方面取得出色成效，如何把AI领域的新技术与传统方法结合值得探索。
肖丽研究员认为，如果把CAE看做一个产品，AI对CAE生命周期的每个环节都有推动作用：在软件产品研发阶段，智能化能在代码生成、技术路线选择等方面发挥作用；在产品算法构成阶段，智能化能提升效率；在产品形态上智能话也使传统形态发生变化。此外，CAE与AI的结合方式很重要，现有代理模型的方式是基于CAE仿真结果来实现的，能否超越传统结果的精度有待思考。
张浩研究员首先阐述了超算和智能的区别，超算擅长精细逻辑的计算，但耗时耗资源，而智能计算速度快但可能缺失精度，因此理论知识方程和数据的融合十分重要。此外，张浩研究员从三个技术角度考虑智能模型能为cae解决哪些问题：第一是交互层面如何智能化CAE软件与人的交互，使用智能算法来自动生成流程；第二是专用的算法层面，比如设计优化，加速求解；第三是考虑智能和超算的融合，从现在的弱耦合到紧耦合，或许是专业用户开发cae算法的新思路。
在随后的互动环节，现场听众踊跃发言，提出许多深刻的问题，包括CAE应用的痛点、当前AI算法是否适用于CAE、如何解决训练样本量不足、如何降低CAE软件使用门槛等等，五位嘉宾针对这些问题阐述了自己的观点，引发热烈讨论。
最后，各位嘉宾分别对此次panel内容做出总结，莫则尧研究员总结道，这次报告涵盖了从科学到工程的各个阶段，报告人都是一线的工程师和研究员，期待未来能共同作出更好的成绩，也希望超级计算能够在重大需求领域发挥更好的作用，真诚地欢迎今天的参会人在明年的HPC Mid一起研讨，一起进步。
