SketchGraphs 项目则利用人工智能技术实现跨领域知识迁移， 将建筑建筑桁架拓扑应用于航空承力框架的设计中。 人工智能引领工业仿真效率跃升。传统的基于物理方程求解的仿 真方法，如计算流体力学（CFD）仿真和有限元分析（FEA）等，往 往需要数小时甚至数天，耗时巨大。基于人工智能的代理模型 （Surrogate Models）、降阶模型（ROM）以及物理信息神经网络（PINN） 等技术的应 技术，可将特定场景的仿真预测时间缩短至秒级或分 科研智能：人工智能赋能工业仿真研究报告（2025 年） 3 钟级。南京天洑推出的 AICFD 利用 PINN 技术在保证流场预测误差 低于 5%、接近主流 CFD 工具精度的前提下，实现了千倍级别的加速。 在新能源电池热失控仿真等场景中，AI 模型的加速比可达 180 倍， 为实时监控与安全预警提供了现实基础。 人工智能为复杂场景的建模仿真提供新方案。对于多物理场耦合 2024. 11 Zhang T , Dey B , Veeraraghavan K ,et al.Demystifying the Data Need of ML-surrogat es for CFD Simulations[J]. 2022.DOI:10.48550/arXiv.2205.08355. 科研智能：人工智能赋能工业仿真研究报告（2025 年） 11 场景中实现了精确评估铲斗和颗粒物料之间的反作用力模拟，模拟时

异构模型对齐：解决不同工厂模型架构差异的知识迁移问题 15 ➢ 区块链存证：确保模型更新过程的可追溯性 1.3.2 基于应用场景的分类体系 (1) 研发设计类大模型 ➢ 多物理场耦合仿真加速（CFD/FEM 计算速度提升） ➢ 材料基因工程（预测新型合金性能参数误差降低） ➢ 工艺参数智能推荐（减少试错实验次数） 技术架构：融合物理方程约束的生成式模型。 (2) 生产制造类大模型