NVIDIA算力加持下的达索系统虚拟孪生仿真范式升级

寂静回声

一款新车的气动外形优化、一架飞机的起落架强度校核，背后是数小时甚至数天的求解计算，是设计与分析团队之间反复的文件传递，是资深工程师被重复性工作消耗的精力。
2026年8月6日，达索系统SIMULIA团队与NVIDIA联合举办线上技术直播，首次系统披露双方合作一年来在仿真领域的核心成果。


本次直播由NVIDIA杰出工程师Neil Ashton担任主持人，邀请到达索系统SIMULIA首席执行官Michelle Ash，以及SIMULIA研发负责人Chris Whiting作为核心嘉宾。
Neil Ashton深耕高性能计算与仿真领域多年，主导了NVIDIA与多家工业软件厂商的技术协同，对GPU加速仿真的技术路径有深刻理解。
Michelle Ash现任SIMULIA CEO，拥有三个学士学位，拥有三十年重工业从业经验，长期推动仿真技术的工程化落地与行业知识沉淀。
Chris Whiting负责SIMULIA全球研发组织，同时向SIMULIA品牌与达索系统全球研发体系双线汇报，深度统筹SIMULIA与CATIA、DELMIA、ENOVIA等达索系统其他品牌的技术协同。


SIMULIA的整体技术战略，是以3DEXPERIENCE平台为底座，打造AI驱动的MODSIM能力，覆盖多尺度多学科、自动化与优化方向，底层是坚实的物理仿真能力矩阵。
这套能力矩阵覆盖有限元分析、流体仿真、电磁仿真、振动声学、多体仿真等全物理场，能够为机械系统提供从静态到光学的全维度虚拟孪生预测能力。
双方的合作始于正式官宣前数月的深度技术对接，在2026年2月在3DEXPERIENCE World上双方CEO同台宣布战略合作后，技术落地进程进一步加速。
本次直播是双方合作满一年之际，首次面向全球客户系统披露技术进展与落地成果，全程覆盖技术原理、客户案例与未来路线三大维度。


接下来的半小时，我们会重点展开达索系统和NVIDIA在仿真领域合作的两大核心方向。
第一个方向是基于H100、H200 GPU的求解器加速，我们不仅拿到了非常可观的速度提升，还实现了显著的成本下降，这是团队非常引以为傲的成果。

好的，大家现在看到的场景，是一位工程师正在设计飞机起落架的典型零件扭矩连杆。这个零件采用铸钢材质，要求重量不超过12.5公斤，同时满足指定的扭矩性能要求。会在后台调用AI机器学习模型，执行扭矩强度测试。测试结果显示，这个初始零件不符合强度要求。
我们把这项核心能力叫做Virtual Twin Physics Behavior，也就是虚拟孪生物理行为。它的本质是定义出所有满足设计准则的可行设计空间。

机器学习能力推出的时间更早，它和我们的ModSim产品深度打通。
ModSim的核心价值，是把CAD设计和仿真分析紧密耦合在一起，工程师可以直接用机器学习模型验证CAD设计方案的合理性。
客户对这个组合的反馈非常热烈，最直观的指标是效率：以前设计一个零部件需要40小时，用了ModSim之后只需要4小时，实现了10倍的效率提升。
而在引入机器学习能力之后，同样的工作可以压缩到4分钟。

很多人都好奇，达索系统方案的独特性在哪里，是不是就在于CAD和虚拟孪生、结构仿真的深度打通？

我们可以借着虚拟孪生的整体框架，把这些问题讲透。麻烦切到第五张幻灯片，就是我们之前在休斯顿问答环节一起展示过的那一页。
Chris：没错，就是这一页。这张图刚好能讲清楚我们的核心理念：把自主驱动设计的能力，直接交到设计师手里。
这也是我们这套方案和市场上其他方案相比，最核心的价值差异。


设计师可以实时调整结构设计参数，系统会同步给出仿真结果，直到设计方案通过抗压测试。
设计师只需要调整草图，CAD模型会自动更新，物理性能会同步刷新。整个过程是实时的，不需要等待漫长的求解计算。
完成多轮设计之后，设计师还可以把感兴趣的方案标记为收藏，最后统一做多方案的权衡分析。
大家可以看到权衡界面里，每一列对应一个设计方案，每一行对应一项性能指标，比如质量、应力、位移等等。
设计师可以直观地在不同方案之间做平衡，找到最符合项目目标的最优解。整个过程都在同一个界面里完成，不需要切换工具。
这就是面向设计师的前端体验，简单直接，不需要深厚的仿真专业背景也能上手。
Chris：我补充一下前端体验背后的逻辑。大家刚才看到的，是在同一个界面里，从CATIA设计环境直接切换到AI模型推理，拿到物理性能指标。
这就是我们之前聊到的，打破CAD和仿真之间的壁垒。整个过程没有文件导出导入，没有数据格式转换，所有能力都原生运行在3DEXPERIENCE平台里。
刚才提到的设计权衡也是原生功能，设计师在探索过程中随时可以收藏备选方案，最后统一做横向对比。
这和传统流程里先出CAD、再导出做仿真、再回来改设计的迭代模式，效率完全不在一个量级。



Virtual Twin Physics Behavior的本质，是把代理建模技术深度嵌入到虚拟孪生体系里。
仿真分析师可以在非项目高峰期，针对不同的工程场景提前训练好对应的物理行为模型，然后发布给设计师在项目中直接调用。
训练数据的来源有两种：一种是通过DOE试验设计生成的仿真数据，另一种是历史项目里同类设计的仿真结果数据。
针对某一类特定场景，比如整车碰撞、扭转刚度、弯曲刚度，我们把所有历史仿真结果汇总起来，就可以训练对应的物理行为模型。
大家在界面上看到的损失曲线，就是模型训练的收敛过程。训练、验证、部署的全流程，都在3DEXPERIENCE平台内完成。
我们的IPLM产品生命周期管理系统，会全程管理所有数据。从输入数据到训练过程，再到最终的模型部署，每一步操作都有完整追溯。
不管是企业内部的私有数据，还是达索系统提供的基础数据，所有来源都清晰可查。企业训练的模型，可以完全只在内部使用，保障数据安全。



保障可信性有两层核心机制，第一层是前置校验：在执行推理之前，系统就会判断当前设计是不是在模型的训练分布范围内。
如果设计参数超出了训练覆盖的设计空间，系统会提前给出提示，不会盲目给出不可靠的结果。
第二层是后置评估：推理完成之后，系统会估算本次推理的误差范围，让工程师对结果的置信度有清晰的认知。
当然，这些机制都建立在严谨的模型验证基础上。我们会用独立的测试集和物理求解器的结果做对标，确保模型的精度达标。
仿真领域的可信性是个体系化的课题，涉及到认证、正确性证明等很多深层问题，确实需要针对性的深入沟通。



Michelle：我非常认同。我这段时间在印度见了六位客户，每一位都会问到这个问题，可见大家对结果可靠性的重视程度。
我们的验证逻辑非常严谨：训练有专门的训练数据集，验证有独立的测试数据集，所有结果都会和我们的物理求解器做对标。
目前我们的模型对标精度已经达到了非常高的水平，客户的接受度也很好。如果大家想了解具体的精度数据和行业案例，随时可以在LinkedIn上联系我。


SIMULIA在GPU加速求解器上的进展。Michelle我们来看性能数据。这一页覆盖了三大核心领域的加速成果：电磁仿真、CFD计算流体力学，以及Abaqus结构仿真。
先看电磁仿真领域，CST Studio Suite的时域求解器在NVIDIA GPU上有非常亮眼的表现。
从测试数据来看，TD-FIT、PIC两类求解器，在PCB、手机SAR、行波管等不同场景下，GPU相比双路CPU都有显著的性能提升。
从RTX6000 Ada、L40，到A800、A100、H100，再到H100 NVL，硬件规格越高，加速效果越突出，最高能达到十几倍的性能提升。

这组数据是今年四五月用户大会上发布的，放到现在其实已经有点过时了。在GPU技术迭代的节奏里，几个月的时间就能有很大的技术突破。
我们的团队还在持续优化，预计今年年底11到12月，流体求解器会有一次大的版本更新，到时候性能还会有非常显著的提升。
再说说流体领域的表现。单张GPU的性能，大概和275核CPU的算力相当。但真正的优势在多卡并行的时候，两张、四张、八张GPU叠加，性能会有非常大的跃升。
更重要的是，性能提升的同时，计算成本反而下降了。用更少的钱拿到更快的速度，这对企业来说是最实在的价值。
从性价比的角度看，4到8张GPU是目前的最优区间。我们后续的产品优化，也会重点围绕8卡配置做深度打磨


当然，企业可以根据自己的需求灵活配置。如果是法拉利这种对研发速度要求极高的企业，完全可以堆16卡、64卡，用算力换研发周期。
流体场景的负载主要集中在GPU上，只需要少量CPU资源负责网格剖分等前置工作，GPU的算力利用率非常高。
AutoCFD针对DrivAer整车模型的测试也验证了这一点，GPU配置相比纯CPU方案，求解时间大幅缩短，完全可以支撑日常的设计迭代。



再看Abaqus结构仿真的情况，最优配置是CPU和GPU混合部署。一般搭配1到4张GPU，再配合一定数量的CPU核心，综合表现最好。
测试数据显示，在48核CPU基础上加入4张H100 GPU，不同工况的加速比各有差异。显式动力学分析的加速效果最为突出，能达到8.4倍。
动态应力分析、隐式静态分析、模态与频域分析也都有不同程度的性能提升，分别能达到3.5倍、5.4倍、6.6倍的加速效果。
针对多主机并行的场景，比如DMP子空间迭代特征求解器，多机协同也能获得稳定的性能增益，支持企业根据算例规模灵活扩展算力。
整体来看，不管是电磁、流体还是结构，GPU带来的速度提升都是非常显著的，这也是我们和NVIDIA深度协作的核心成果。
Chris：这里我必须要感谢一下Neil和整个NVIDIA团队。不只是流体和结构，电磁、振动声学等所有仿真领域，我们的研发团队都在和NVIDIA的技术团队紧密配合。
从CST电磁仿真，到Abaqus结构求解，再到PowerFLOW流体求解器和Navier-Stokes求解器，NVIDIA的团队都在帮我们做深度的算法调优。
他们帮我们充分挖掘每一代GPU的硬件潜力，把硬件性能榨到极致。我做仿真已经三十年了，亲眼见证过Cray超级计算机的迭代节奏。
但GPU这五年的发展速度，比当年超级计算机的时代快太多了。AI市场的爆发反哺了硬件迭代，也给科学计算带来了前所未有的算力红利。
现在用GPU跑整车的外部气动仿真，完整求解只需要几分钟。注意，这还不是AI加速的结果，就是纯物理求解器的GPU加速。
这个速度放在十年前是根本不敢想的，完全是算力层面的突破性进展。这背后离不开NVIDIA团队的技术支持，真的非常感谢。
Neil：太客气了。其实这也是我们的核心工作之一。很多人以为NVIDIA只是卖硬件，但实际上我们很大一部分精力，是帮合作伙伴把硬件性能用透。
企业采购了GPU硬件，只是第一步。怎么针对具体算法做优化，怎么适配新的硬件架构，里面有非常多的技术细节。
我们团队里有全球最顶尖的CUDA专家，不仅懂编程，更懂算法逻辑。我们和你们的工程师一起打磨，互相碰撞思路，才能拿到最优的性能。
每一代新GPU发布，硬件架构都会有调整，最优的实现方式也会跟着变。很多上一代的优化技巧，放到新一代硬件上未必是最优解。
我们的价值，就是把这些硬件层面的最新特性和优化经验，同步给达索系统的研发团队，让软件和硬件协同进化。
说实话，达索系统的工程师本身水平就非常高，我们更多是提供硬件视角的思路，大家一起把性能做到极致。