ANSYS：持续不断的创新，无处不在的仿真

    创新一直是企业发展的核心，将创新性的思想转化创新性产品，需要克服多方面的困难：产品变得更加复杂，要适应复杂多变的运行环境，要有良好的产品质量和客户体验，而研发周期，研发预算越来越紧。如果没有仿真，这种转化实际上不太可能实现，企业也就无法创新和发展，因此，仿真就是创新。当地时间2017年11月13日下午，e-works第五届美国智能制造与物联网应用考察团来到了全球最大的工程仿真软件企业ANSYS公司位于加州圣何塞市的办公室。听取了ANSYS专家介绍仿真技术在制造业，尤其是电子与通信行业的应用趋势与重要价值，学习了机器学习和深度学习等人工智能技术的内涵、技术发展现状，以及ANSYS在产品性能仿真与优化方面正在开展的实践。
 

图1 考察团听取ANSYS专家介绍

 

    ANSYS公司创立于1970年，目前已经发展成为世界最大的仿真技术公司。40多年来，ANSYS一直致力于开发新的仿真技术，产品覆盖率了结构仿真、流体动力学仿真、电子设计与仿真、电路和系统设计与仿真、高安全性嵌入式代码设计、芯片设计与仿真等多个学科和物理域。ANSYS首席技术官兼半导体事业部副总裁 Vic Kulkarni介绍ANSYS每年都会将收入的15%用于研发投入。如今ANSYS的市值已达到了125亿美元，在全球拥有2700名员工，在40多个国家开设了75个分支机构及研发中心，ANSYS软件的用户企业超过四万家，其中包括96家来自"财富"500强名单上排名前100位的工业企业。
 

图2 ANSYS发展历程

 

    在工业4.0如火如荼的进程中，仿真也率先步入了4.0的新时代。在中国制造2025、智能制造的大势所趋下，中国用户对仿真的前所未有的迫切需求及仿真成熟度的整体水平提高，工程仿真已经无处不在。Vic Kulkarni介绍根据Aberdeen的研究报告指出，目前产品的应用场景越来越复杂，在企业资源有限的情况下，想和竞争对手拉开差距正变得越来越困难。以汽车行业为例，安全性、燃油经济性、互联性以及自动驾驶带来的软硬件支持都迫使企业在设计过程中对尺寸、能源、重量、传感等因素的考虑需要更加谨慎，因此仿真也需要进一步优化。毕竟相较于物理样机而言，仿真在速度、经济性上有着巨大的优势。

 

    对于ANSYS而言，一直致力于通过集成化的仿真环境，覆盖产品从系统设计到系统集成和虚拟验证的全过程，进行多学科和多物理场耦合与协同仿真，实现完备的虚拟原型。Vic Kulkarni介绍在Facebook发布的最新Aquila无人机中，就应用了ANSYS最新技术，ANSYS的多物理场仿真解决方案覆盖了流体、热、结构、电磁场、电路 / 系统等完备的仿真能力，实现了全工程化的自动耦合仿真，广泛应用于感应加热（电磁 - 热），焦耳加热（电磁 - 热 - 结构）、MEMS 器件（静电 - 结构）、音响设备（结构 - 声学）等领域的设计中，解决多域多物理场的耦合设计难题。

 

    在半导体领域的混合信号IP和产品设计过程中，7nm~16nm是主要方向，ANSYS 2015年收购Gear Design Solutions后积极与台积电等合作，有效的支撑了IC芯片的能效与可靠性、电源与信号传输完整性、温度场的管理、机械结构可靠性、天线绩效和目标环境分析等设计过程。因积极参与了12nm FinFET紧凑型技术（12FFC）设计基础架构、7nm FinFET Plus技术（7nm+）设计基础架构以及汽车设计实现平台的联合研发工作，ANSYS被台积电在今年的台积电开放创新平台（OIP）生态系统论坛上为ANSYS颁发了三个奖项。

 

    如今，ANSYS 将仿真技术与物联网技术相结合，构建包含了数字探索、数字原型和数字双胞胎完整的全数字化工程流程，将仿真技术的应用扩展至产品的整个生命周期，涵盖工程所有阶段，从概念、设计、制造、运维直至产品生命终止构建了仿真驱动工程的基础，帮助企业部署企业级仿真平台，实现更快、更好、更有效的工程，推进企业创新和发展。
 

图3  ANSYS首席技术官兼半导体事业部副总裁 Vic Kulkarni

  

    随后，ANSYS资深产品战略副总裁、嵌入式软件仿真专家Norman Chang向考察团员介绍了ANSYS在人工智能领域的理解与布局。在他看来，人工智能是一个非常大的概念，而机器学习则是其中的一个子集，机器学习包括很多已经发展多年的技术，比如神经网络（Neural Network）、支持向量机（Support Vector Machines， SVM）、Boosting、决策树（Decision Tree）、随机森林（Random Forest）、贝叶斯模型（Bayesian Model）等等，这其中比较突出的一项就是ANN（Artificial Neural Networks，人工神经网络），而人工神经网络则是深度学习的起源。

 

    在帮助考察团员理清深度学习与机器学习的关系后，Norman Chang介绍了深度学习近年来爆发的原因，很大一部分是由于GPU的广泛应用，使得并行计算变得更快、更便宜、更有效。当然，对于ANSYS而言，计算机辅助工程（CAE）模拟让工程师能够设计更多的虚拟原型产品，因而在打造物理原型产品上花费的时间更少。更多次的反复设计可以成就更高质量的产品，通过加速模拟，GPU 能够进一步提高生产率，从而有助于缩短产品开发时间，为企业带来更具竞争力的优势。

 

    在Norman Chang看来，在工程领域深度学习有着广泛的应用价值，例如实际工程问题中存在大量的非线性力学现象，如在结构优化问题中，需要根据需求设计并优化构件结构，是一类反问题，这些非线性问题难以用常规的方法求解，而神经网络恰好具有良好的非线性映射能力，因而可得到比一般方法更精确的解。此外，将有限元与神经网络结合的方法有很多，比如针对复杂非线性结构动力学系统建模问题，可以将线性部分用有限元进行建模，非线性构件用神经网络描述（如输入非线性部件状态变量，输出其恢复力），再通过边界条件和连接条件将有限元模型部分和神经网络部分结合，得到杂交模型。

 

    最后，Norman Chang表示ANSYS正在与华为海斯合作研究推进人工智能在CAE领域的应用，站在ANSYS的角度，他认为人工智能最大的价值就在于：1、缩减数据；2制作模型；3递归分析。

 

图4 ANSYS资深产品战略副总裁、嵌入式软件仿真专家Norman Chang
 

图5 考察团员与ANSYS高层在办公室合影
 

图6 考察团在ANSYS大楼前合影