Инженерная симуляция — расчёт обтекания, теплового поля, прочности — может считаться часами и днями. Суррогатная модель меняет это: нейросеть, обученная на готовых результатах расчётов, выдаёт ответ за секунды. Не вместо классической симуляции, а как быстрый черновик на ранней стадии. Ниже — что это такое и три проверенных примера из промышленности, без хайпа.
10 000×
быстрее CFD — тепловой расчёт Siemens Energy (часы → секунды)
недели → минуты
оценка аэродинамики (Cd) в производстве General Motors
−40%
энергии на охлаждение дата-центров Google
Что такое суррогатная модель
Классический решатель (CFD, метод конечных элементов) честно считает физику по уравнениям — точно, но медленно. Суррогатная модель работает иначе: на тысячах уже посчитанных вариантов её обучают предсказывать результат напрямую, минуя повторный запуск решателя. Получается быстрый приближённый ответ — идеально, чтобы перебрать сотни конфигураций и отобрать перспективные, а уже их прогнать через точный решатель.
Суть в одной фразе
Точный расчёт отвечает на вопрос «каков результат для этой конструкции?». Суррогатная модель — на другой: «какие из сотни конструкций вообще стоит считать точно?».
Три примера из промышленности
Энергетика · тепловой расчёт
Siemens Energy — в 10 000 раз быстрее CFD
Совместно с NVIDIA (платформа PhysicsNeMo) Siemens Energy обучила граф-нейросеть предсказывать тепловое поведение газоизолированного переключателя. Результат — в 10 000 раз быстрее нестационарного CFD-решателя: часы расчёта превращаются в пару секунд на видеокарте, при минимальной потере точности.
Честная оговорка: это пока опытная проверка концепции на части устройства, полная валидация продолжается. Данные — совместные NVIDIA и Siemens Energy.
Автопром · аэродинамика
General Motors — Cd за минуты вместо недель
GM обучила собственную «большую физическую модель» на своих CFD-данных. Она принимает 3D-модель автомобиля и выдаёт коэффициент аэродинамического сопротивления (Cd): цикл, занимавший две недели, сократился до минут. Это не эксперимент — модель работает в производственном процессе с осени 2025 года.
Честная оговорка: ИИ используется на ранней стадии дизайна; финальная аэродинамика по-прежнему проверяется в аэродинамической трубе. GM подтверждает именно «недели → минуты» (громкие «в миллион раз» — слова стороннего поставщика о классе технологий, не цифра GM).
Энергоэффективность · управление
Google / DeepMind — охлаждение дата-центров
Модель, обученная на данных боевых дата-центров Google, научилась управлять охлаждением эффективнее людей: −40% энергии именно на охлаждение (около −15% по совокупному показателю эффективности PUE). Пилот запущен в 2016 году, с 2018-го система управляет режимами охлаждения автономно, под надзором операторов.
Честная оговорка: 40% — это экономия на охлаждении, а не на всём потреблении дата-центра (в пересчёте на всё энергопотребление — около 4–6%).
Где это работает, а где — осторожно
Три примера выше — разные задачи и отрасли, но у всех одна сильная сторона и одно общее ограничение.
✓ Работает
Ранняя стадия проектирования, где нужно быстро перебрать множество вариантов и отсеять заведомо слабые. Задачи, для которых уже накоплен большой массив качественных данных симуляций или измерений, — модели есть на чём учиться.
⚠ Осторожно
Финальная валидация — аэродинамическая труба, натурные испытания, сертификация — остаётся за точными методами. Суррогатная модель надёжна только в пределах данных, на которых обучалась: новый, непохожий режим она может предсказать уверенно и неверно. И почти каждый громкий показатель — это конкретная задача в конкретных условиях, а не универсальное «ИИ ускорил инженерию в 10 000 раз».
По темеПочему ИИ уверенно ошибается — и как это ловить →
FutureHub · корпоративное обучение
Разобраться, где ИИ действительно ускоряет инженерную работу, а где остаётся хайпом — на примерах из вашей отрасли. Программы FutureHub для технических команд.
Смотреть программы →
