这是AIE加速工业进化【AI+CAE的现状和未来】系列的第13篇，主要盘点国内外高校、研究机构的AI+CAE研究项目。

本文主要盘点在AI+CAE领域，国内外一些高校、研究机构等的研究项目。AI+CAE目前在科研方向比较活跃，项目也较多，无法一一列举，重点介绍其中部分代表性项目。

众多项目中，有3个比较热门的方向：

• 1、AI代理模型；
• 2、AI自己写代码求解偏微分方程；
• 3、多智能体协同自动创建设计和仿真。

西北工业大学“秦岭·翱翔”飞行器流体力学大模型

西工大流体力学智能化国际联合研究所携手华为AI4Sci Lab在国产开源流体计算软件风雷的基础上，共同研发的面向飞行器流体仿真的智能化模型。模型采用自研的多级分布式并行自适应框架，结合流体力学经典理论与人工智能方法，通过多层级融合构建数学物理关联特征，进行多范式一体化建模，实现高置信度流场重构、全速域湍流场求解和复杂流场的近实时预测。

包含分为2个子模块：AI湍流大模型是面向工程高雷诺数的人工智能湍流模型，能够以数据驱动和物理嵌入的形式，完全代替传统偏微分模型；流场预测大模型是端到端复杂流场快速预测模型。

“秦岭·翱翔”可以耦合HPC为数值求解软件提供底层能力，也可以直接替代流场求解器，在企业内部直接针对具体场景需求使用。

武汉理工大学：汽车风阻智能预测研究

武汉理工大大学汪怡平教授开展的AI驱动的整车空气动力学性能预测研究，行成智能预测工具，基于关键参数的预测模型平均预测精度为5%，基于点云样本自研模型的平均预测精度为2.9%。

穆特·施密特大学和西门子：DNN-MG 融合神经网络的CFD求解器

德国埃尔穆特·施密特大学和西门子研究人员提出的为非稳态纳维-斯托克斯方程开发的深度神经网络多重网格求解器（DNN-MG），DNN-MG在粗网格上使用多重网格方法进行经典求解，而神经网络则在细网格上修正插值解，从而避免了在这些地方需要执行的计算成本越来越高的问题

中科院PDE-Agent：多智能体求解偏微分方程

中科院自动化所提出的一个基于LLM的多智能体协作框架，让不懂编程、不懂深奥数学的普通科研人员，只需要说一句人话，AI就能自动组建一个多智能体团队，写代码、调用工具、检查错误，最后给出解。

PDE-Agent内部主要有四个核心角色Planner（规划师/项目经理）、Parser/Solver（解析员/解题手）、Executor（执行者/操作员）、Orchestrator（协调员/质检员），作者提出了一种叫 Prog-Act （“Progressive Reasoning and Acting”）的机制，通过双循环（Dual-Loop）的纠错机制，渐进式推理与行动，构建了一个资源池用于非文本类隐式参数传递。

研究团队配套整理并发布了 PDE-Bench，一个包含约100个测试案例的基准数据集，涵盖了热方程、波动方程、纳维-斯托克斯方程等各种经典PDE问题，PDE-Agent在PDE-Bench基准测试中达到了90%的成功率。

北大PINNsAgent：使用LLM进行偏微分方程的自动替代

北大提出的一个创新的基于LLM的Agent框架，在不依赖深度学习专家启发式方法的情况下，为给定的PDE自主开发和探索最优的PINN。框架由一个多智能体系统组成，包括一个数据库、一个规划器、一个编程器和一个代码库，它们共同协作生成和优化PINN架构。

PINNsAgent中提出了物理引导知识重放（PGKR）和记忆树推理策略（MTRS）的组合。PGKR对PDE的基本特征进行编码，实现了从已求解的PDE到相似问题的高效知识转移。MTRS指导规划器在PINN架构空间中导航，通过迭代反馈和在线学习促进持续改进。

西湖大学、上海交大等RealPDEBench：流体动力仿真评测体系

西湖大学、上海交通大学、中国科学院数学与系统科学研究院等机构的研究团队，联合发布了RealPDEBench，提供成对的提供真实物理实验测量数据（通过 PIV 或化学发光成像采集）与仿真数据（通过高精度求解器生成），用于系统性地评估模型在真实场景下的表现。

体系包含 5 个典型物理场景（Cylinder (圆柱绕流)、Controlled Cylinder (受控圆柱绕流)、FSI (流固耦合）、Foil (翼型流场)、Combustion (燃烧)）合计

超过 700 条轨迹、每条超过 2000 帧的高质量数据。

同时，也提供了3 类任务设定、9 项评估指标以及 10 个主流基线模型（FNO, DeepONet, U-Net, ResNet等）评测结果。

MIT AI CFD Agent：汽车空气动力学自动化仿真Agent

MIT研究出了一个面向汽车设计和空气动力学的Multi-Agent Framework，通过四个智能体：Styling Agent、CAD Agent、Meshing Agent、Simulation Agent之间的合作，实现了只需纯自然语言输入的，从设计 -> 建模 -> 仿真 -> 优化 全AI自动化执行的流程

第一步：告诉AI要设计一款旅行车，还附上了一张草图，提出了3个设计方向。AI开始调用Styling Agent，按要求生成了3款车

第二步：让AI从DrivAerNet++数据库（一个包含大量汽车模型及其仿真结果的专业数据库）找近似的模型，并开始CFD仿真。如果没有近似的，也可基于近似的模型运行生成式AI，可以摆脱数据库模型依赖，生成新的模型。

第三步：输入生成网格的提示词，生成的网格不满意可以通过提示词修改。

第四步：Simulation Agent会输出结果和后处理云图。

清华大学MetaOpenFOAM：自动CFD仿真智能体

清华大学任祝寅团队研发的MetaOpenFOAM，使用户只需简单的自然语言输入即可自动完成CFD仿真任务，大幅降低仿真门槛

MetaOpenFOAM的引入了多智能体的协作方式，将CFD仿真任务细分成多个独立子任务，分别交由不同的智能体完成。智能体包括：

• 架构师（Architect）：负责解读用户需求，将其转化为具体的任务架构，并从数据库中检索相似案例，为后续任务提供参考。
• 输入文件生成者（InputWriter）：根据架构师提供的任务架构，生成OpenFOAM所需的输入文件，并根据反馈进行修改。
• 任务执行者（Runner）：执行CFD仿真，运行OpenFOAM，并监控仿真过程中的错误。
• 审查反馈者（Reviewer）：分析仿真过程中出现的错误，确定错误原因，并向输入文件编写者提供反馈，以便其修改输入文件

此外，MetaOpenFOAM整合了Langchain的检索增强生成（RAG）技术，利用OpenFOAM官方文档和案例数据库，为智能体提供专业背景支持，从而强化了框架对复杂任务的处理能力。

MetaOpenFOAM 2.0版本进一步优化了任务处理流程，将用户的需求通过细化拆解后进行迭代解决，大幅提高了CFD仿真及后处理的精确度

斯坦福大学BlastNet：开源CFD数据集

斯坦福大学2023年发布的，专用于训练流体力学基础研究机器学习模型的大型数据集，最初包括：(i) 4.8 TB的高保真模拟数据集，已处理成便于ML应用的格式；(ii) 超过13,000行代码，有助于这些模型的训练和评估；(iii) 超过100个在流动物理问题上的预训练权重。目前已有14TB的数据集。

OpenFOAM：ChatCFD 自动配置+仿真智能体

OpenFOAM推出的LLM驱动的面向OpenFOAM的专属智能体，让使用者即便不是OpenFOAM“活字典”，也可以直接用自然语言提需求、上传一篇论文，AI就能自动搞定OpenFOAM全套配置+仿真，实现端到端自动化

英国埃克塞特大学OpenfoamGPT 2.0：CFD自动化智能体

英国埃克塞特大学初旭团队提出的智能体，把 CFD 的前处理、求解、自纠错、后处理与出图整合为一条全自动流水线。用户只需用自然语言描述需求，系统便能一次性完成上百个case的模拟（无人类干预），最终给出可发表级别的图片。在近 500 个从简单到复杂的验证案例中，它实现了 100 % 一次成功。

整套系统由前处理智能体、prompt生成智能体、核心仿真引擎和后处理智能体紧密联动完成。

• 前处理智能体先读懂用户的场景描述，判断是单一算例还是多算例，并在理解物理模型的同时自动给出网格划分方案。
• 提示生成智能体，把所有关键参数注入到Prompt 中，保证后续步骤可复现。
• 核心仿真引擎再把 Prompt转化为OpenFOAM v2406配置文件并执行；一旦检测到报错，日志会被回送 LLM，进入自纠错闭环，直到计算顺利收敛。
• 最后，后处理智能体自动读取场数据，按照最初需求输出 Python 脚本或 ParaView文件，并可一次性绘制对比曲线、流线图等出版级可视化结果。

号外：

5月22-23日，第22届中国CAE工程分析技术年会在无锡将举办，会议将探讨CAE的前沿趋势方向，展示最近应用成果与案例，会议还设置了工业智能与AI大模型仿真应用分论坛，是跟进了解AI+CAE新进展的好机会。