TesboAI
TesboAI هو خط منتجاتنا المدفوع بالبحث، يطبّق التعلم الآلي والتعلم العميق والطرق الموجهة بالفيزياء ووكلاء النماذج اللغوية الكبيرة على ديناميكيات الموائع الحسابية — مبنيًا على محركنا الأصلي على GPU.
ذكاء اصطناعي مدمج داخل حلقة CFD
معظم أدوات الذكاء الاصطناعي لـ CFD تجلس بجوار المحرك وتنقل البيانات بين أجهزة منفصلة. صُمم TesboAI بشكل مختلف: لأنه مبني على محركنا الأصلي على GPU، فإن النماذج العصبية مُصممة للعمل داخل حلقة الحل على نفس وحدة معالجة الرسومات، دون نقل بيانات بين الأجهزة. من البدائل غير المتصلة إلى المحاكاة القابلة للتفاضل والمقيدة فيزيائيًا، نتعامل مع الذكاء الاصطناعي كجزء أصلي من المحرك وليس إضافة لاحقة.
الذكاء الاصطناعي مظلّة، وليس الطريقة
نستخدم مصطلح الذكاء الاصطناعي كاسم للمجال فقط. عمليًا نعمل عبر أربع فئات منهجية متمايزة، ونوضّح أيّها ينطبق.
طرق إحصائية وخفض أبعاد غير عصبية مثل POD.
شبكات عصبية عميقة — مشغّلات عصبية، شبكات إحداثيات، إغلاقات أساس موتري، مرمّزات تلقائية.
تعلم عميق مدموج بطرق عددية (مرافق، متبقّيات PDE) — فئة قائمة بذاتها، وليست تعلمًا آليًا صرفًا.
نماذج توليدية لإعداد الحالات باللغة الطبيعية والتنسيق — وليست نماذج عددية.
أين ندفع الذكاء الاصطناعي و CFD معًا
مُجمّعة حسب فئة الطريقة — تعلم آلي كلاسيكي، تعلم عميق، موجّه بالفيزياء، ونماذج لغوية/وكلاء — ليبقى واضحًا دائمًا أي تقنية تُستخدم.
تعلم عميق
شبكات عصبية عميقة كبدائل سريعة وإغلاقات مُتعلَّمة.
تعلم آلي / خفض الرتبة
خفض إحصائي (POD) مدموج بالتعلم العميق لنماذج مدمجة وفورية.
موجّه بالفيزياء وقابل للتفاضل
تعلم مع وجود المعادلات الحاكمة والتدرجات داخل الحلقة.
نماذج لغوية / وكلاء
ذكاء اصطناعي توليدي كمساعد للمهندس حول المحرك.
في الأفق: نماذج فيزيائية أساسية مُدرَّبة مسبقًا عبر هندسات وظروف تشغيل متعددة — اتجاه طويل المدى يعتمد على بيانات محاكاة واسعة النطاق.
المشغّلات العصبية
تتعلّم المشغّلات العصبية مُشغّل الحل نفسه، لذا يمكن تقييم نموذج دُرِّب بدقة ما عند دقة أخرى. نستخدمها للدقة الفائقة (من الخشن إلى الناعم) وكبدائل سريعة من حقل إلى حقل.
- تدريب خشن واستدلال ناعم — مستقل عن الدقة
- دقة فائقة من حقل إلى حقل
- تعميم على دقات غير مرئية
التمثيلات العصبية الضمنية
تُرمِّز التمثيلات العصبية الضمنية حقل التدفق كدالة متصلة للإحداثيات، مفصولةً عن أي شبكة ثابتة. خفيفة الذاكرة ومناسبة للهندسات ثلاثية الأبعاد المعقدة.
- حقول متصلة بلا شبكة
- أخذ عينات بأي نقطة وأي دقة
- كميات مشتقة قابلة للتفاضل تحليليًا
إغلاق الاضطراب المدفوع بالبيانات
تتعلم الإغلاقات المدفوعة بالبيانات حدود إجهاد رينولدز أو النطاق الفرعي من بيانات عالية الدقة، مع تضمين الثوابت الفيزيائية في بنية الشبكة ليعمّم النموذج بدل الحفظ.
- شبكات أساس موتري بثوابت مدمجة
- تدريب على بيانات مرجعية عالية الدقة
- تستهدف دقة تتجاوز الإغلاقات الأساسية
النماذج منخفضة الرتبة
تضغط النماذج منخفضة الرتبة المحاكاة الكاملة إلى فضاء كامن مدمج وتتعلم ديناميكياته، لتوفر بديلاً شبه فوري ومُعلَّمًا للاستعلامات المتكررة.
- ديناميكيات كامنة بـ POD والتعلم العميق
- تقييم مُعلَّم شبه فوري
- مناسب لمسوحات التصميم والتوائم الرقمية
الفيزياء القابلة للتفاضل / PINN
جعل المحرك قابلاً للتفاضل يتيح للتدرجات المرور عبر المحاكاة نفسها. هذا يمكّن تدريب النماذج مقابل مسارات المحاكاة والتعلم المقيّد فيزيائيًا، نحو CFD قابل للتفاضل من طرف إلى طرف.
- تمرّ التدرجات عبر الحل
- تدريب مقيّد فيزيائيًا من طرف إلى طرف
- أساس لتعلّم الإغلاق البَعدي
Agentic CFD
يستخدم Agentic CFD النماذج اللغوية الكبيرة والوكلاء كمساعد للمهندس — لا كنموذج عددي. يترجم اللغة الطبيعية إلى حالة مُهيكلة، يقود المحرك، يمرّر كل نتيجة عبر أوراكل التحقق، ويفسّر المخرجات بلغة طبيعية. تظل الفيزياء محلولة بالمحرك؛ بينما تتولى النماذج اللغوية الإعداد والتنسيق والشرح.
- لغة طبيعية للإعداد والتشغيل والتفسير
- كل نتيجة مُراقَبة عبر أوراكل التحقق
- مُصمّم للعمل محليًا وغير متصل بالكامل
القدرات الأساسية
استدلال بسرعة التصميم
بعد التدريب، تستهدف بدائل الذكاء الاصطناعي تقييمًا شبه فوري، محوِّلةً تكرارات التصميم من ساعات إلى دورات تفاعلية.
أتمتة شاملة
من أخذ العينات إلى الاستدلال والتصور، صُمم خط الإنتاج للعمل دون إعداد CFD يدوي.
نماذج خاصة بالمجال
نماذج مخصصة لمختلف التطبيقات والفيزياء، لتبقى المخرجات موثوقة وقابلة للنشر في مجالها المستهدف.
متّسقة فيزيائيًا
تُدمج قيود فيزيائية مثل خلوّ التباعد في التدريب لإبقاء التنبؤات متسقة فيزيائيًا، وليست معقولة بصريًا فحسب.
من البديل إلى القابل للتفاضل
يتقدم عملنا عبر مستويات متزايدة من التكامل بين الذكاء الاصطناعي والمحرك.
مدخلات التصميم
الشبكة العصبية
نتائج فورية
مقارنة مع CFD التقليدي
CFD التقليدي
- يتطلب معرفة بالمجال
- إنشاء الشبكة وإعداد المحرك: ساعات إلى أيام
- استكشاف مساحة التصميم مكلف للغاية
تصميم CFD بمساعدة الذكاء الاصطناعي
- لا حاجة لإعداد يدوي؛ استدلال بنقرة واحدة
- لكل تقييم: ميلي ثانية إلى ثواني
- دورات تصميم تفاعلية مع ملاحظات فورية
ابنِ مع TesboAI
تستكشف التصميم بمساعدة الذكاء الاصطناعي، أو لديك مشكلة تحتاج إلى بديل مخصص؟ يسعدنا أن نسمع منك.