?程的智能设计（Smart Design）指的是运?先进的技术和?法，特别是??智慧（AI）、机器学习（ML）、?数据分析等，来创造更?效的?程解决?案。

智能设计整合机器学习使得设计过程不仅更加?效，?且能够创造出以往?类设计师难以想像的创新解决?案。这种技术的融合，特别是在?动化、优化设计和创新性问题解决??展?了巨?的潜?。

机器学习在智能设计中的??，包括：

设计优化：透过分析?量的设计数据，机器学习模型能够识别出最优化的设计叁数和结构布局，从?提升产品性能、减少材料消耗，或是缩短?产时间。

创新发现：机器学习模型能够探索和建议?类设计师未曾考虑过的设计?案，打开创新设计的新范畴，促进产品的?新。

?动化设计流程：从草图?成到详细设计，机器学习可以?动化许多设计流程，加速从概念到成品的转化过程。

性能预测：在设计阶段早期，机器学习可以预测产品的性能，帮助设计师做出更加明智的设计决策。

ChatGPT的兴起标志着??智能领域的?个重要进展，其能?被广泛应?於解答各种问题，尤其对程式?程师和文字创作者来说，即时回答功能极?提升了他们的?产效率。这种技术使得快速获取资讯变得前所未有的容易，从?加快了?作流程，提?了?作效能。

不过，当问题涉及到更为专业或技术性的领域时，ChatGPT的表现就显得有些?不从?。这是因为泛?型的AI模型在处理?度专业化和细分的技术问题时，往往缺乏深度和精确度。举例来说，在半导体?业，?名从事RF晶片设计的?程师可能需要知道?个?积在4mm2以内，在5GHz的电感值为2nH，有最低损耗的八边螺旋电感几何布局。而在这种情况下，ChatGPT无法提供准确的答案，因为这需要深入的专业知识和复杂的计算。

因此，?程师仍需依赖於传统的3D建模和数值模拟?法来获得这些技术细节。这不仅需要?量的时间和专业知识，?且在某些情况下，这种?法可能显得繁琐且效率不?。这就凸显了?个事实：尽管AI技术已经取得了巨?进步，但在某些?度专业化的领域，它仍然无法完全取代传统的?作?法。

图一 : 目前?程师尚需依赖於传统的3D建模和数值模拟?法来获得技术细节。

然?，这种局限性指出了未来AI发展的?个可能?向，即开发更加专业化和定制化的AI模型。这些模型应能够更深入的理解特定?程领域的复杂问题，并提供更精确的解决?案。对於?程师来说，这意味着AI将能更有效地协助他们处理专业问题，从?进?步提升他们的?作效率和效能。

举例来说，在解决上述电感特性分析的问题时，机器学习提供了?种有效途径。通过建立?个基於?量数据训练的数学模型，能迅速预测电感的关键特性。为了进?训练，需要详细收集电感的几何结构、材料属性等输入叁数，如圈数（N）、螺旋半径（R0）、线宽（W）、线间隙（G）、以及电感厚度（T）及基板叁数如厚度（H）、介电常数（Dk）、损耗系数（Df）。并将它们与电感值（L）、品质因数（Q）、?振频率（Fc）等输出性能指标结合。这样的数据整合使得模型能在新的设计空间中做出快速且准确的预测。

图二 : 数据整合使得模型能在新的设计空间中做出快速且准确的预测。

机器学习需要克服的问题

机器学习涉及使??量数据来训练数学模型，以便在特定范围内提供精确的预测。这个过程看似直接，但背後实则涉及多个复杂问题。

数据量和成本的平衡

确定所需数据量及其?成成本是关键。数据量必须?够，以便模型能学习到各种情况下的?为模式，但数据的收集或?成成本可能非常?昂。因此，必须权衡数据量和成本，找到最隹平衡点。

数据质量的确保

此外，数据质量也?关重要。不仅需要充分的数据量，这些数据还必须是「乾净」的，亦即无噪声、无偏差和准确的。这可能需要通过数据清洗和预处理过程来实现，以确保?於训练模型的数据是可靠和有效的。

数据代表性的重要性

所选取的数据样本必须能够全?反映整个构筑范围内的?为和情况，以保证模型的广泛适?性和准确性。这与取样的?式息息相关。

模型可靠性的评估

如何定义和评估模型的可靠度也是??挑战。这涉及到选择合适的性能指标和验证?法，以确保训练出的模型不仅在训练数据上表现良好，?且能够有效地泛化到新的、未?过的数据上。

选择合适的模型类型

最後，选择合适的数学?法和模型类型对机器学习的成功?关重要。是否选择线性模型、回归分析、Kriging?法或深度神经网路取决於具体问题的性质、数据的特点以及预期的应?。每种?法都有其优势和局限性，因此，必须根据特定情况来选择最适合的模型。

综合上述状况，虽然机器学习提供了强?的?具来从数据中学习和预测，但要有效地开发和应?机器学习模型，就必须全?考虑这些因素，以确保模型的准确性、可靠性和实?性。

实体测试与电脑模拟：数据获取?法的比较与分析

当我们谈论获取数据时，最直观的?法是通过制造实体，然後测量和记录其?为来?成数据。这种?法在许多情况下都是可?的，尤其是当需要确切了解物理对象或系统在现实条件下的表现时。这种?法的主要优势在於其可靠性和精确性，因为所获得的数据直接反映了实体或系统在特定条件下的真实表现。然?，这种?法的缺点也很明显，包括?成本、时间消耗?，以及在某些情况下可能的技术或操作限制。

其次，在?产和量测过程中出现不可避免的误差，也会影响到数据质量。不论是实验条件的微?变化、操作?员的差异、设备的精确度等因素，都可能导致数据中出现偏差和杂讯，这对於训练?精度机器学习模型构成了挑战。

在这种情况下，电脑模拟成为?个理想的解决?案。利?模拟数据进?机器学习训练不仅成本更低，?且可以在较短的时间内产??量所需的数据。这种?法使得快速开发和优化机器学习模型成为可能，从?为解决?程问题提供了?个有效的技术途径。

模拟数据?成与?动化流程 在机器学习训练中的挑战与解决策略

尽管利?模拟来?成数据具有较?的可?性，但在实践中仍需克服多个挑战。以螺旋电感的模拟为例，要创建包含不同尺?、圈数和材料的多变量设计档案，就需要决定哪些叁数组合是必要的，以便充分覆盖设计空间。这个过程中，确定合适的叁数范围和步?，以及如何?效?成这些变化的CAD档案，都是技术性和时间上的考验。

?动创建和汇入这些模拟设计到模拟软体中，再?动设定每?次模拟的条件，如此一来不仅效率低下，?且容易出错。特别是当设计叁数非常多，需要?成?量数据时，这种?法几??是不可?的。此外，模拟完成後还必须撷取并整理数据，这进?步增加了?作量和错误的机率。

为解决这些问题，?动化流程变得极为重要。开发?具或脚本来?动?成3D模型、设置模拟叁数，并在模拟结束後?动提取数据，可以?幅减少??成本和时间。?动化不仅提?了数据?成的效率，也增加了过程的重现性和准确性。因此，尽管模拟是?个强?的?具，但为了有效地利?它?成机器学习所需的数据，开发和实施?动化流程是解决这?挑战的关键。

在技术实现??，?前市场上已有几个明显的进展。以Ansys为例，近年来积极开放其产品的Python介面（PyAnsys）。通过提供这样的介面，Ansys不仅使其?具更加易於被AI技术调?和整合，也为?程师提供?条更加直观和灵活的途径来进行?动化设计与模拟流程。此外，这种开放性策略还为利?AI进?设计优化提供了可能，特别是在配合如ChatGPT这样的先进程式码?成技术时，更是开辟了?条让AI不仅叁与设计，?且能够主导设计优化过程的全新道路。

除此之外，Ansys OptisLang通过直接与PyAnsys脚本的无缝整合，能够在预定义的变量空间中产?叁数点。这些叁数点随後?於驱动PyAnsys脚本，以?动化?式进行数值模拟并撷取相应的结果。例如，它可能?先?成100个样本点。在这些点中，80个被选择?於训练各种数学模型，?剩馀的20个则?於验证模型的准确性。这种分割?法允许??对模型的预後系数（COP）进?有效的测试和评估。

如果初始训练的模型未达到预期的预测准确度，OptisLang会采取主动学习策略，在样本空间中选取新的点，以收集更多数据并对模型进?迭代训练。这种?法结合了?适应取样、模型训练、性能评估和迭代优化，从?实现了对模型精度的持续提升。

图三 : 结合?适应取样、模型训练、性能评估和迭代优化等方法，实现了对模型精度的持续提升。

结合PyAnsys、OptisLang与ChatGPT：实现?程智能设计

在实现PyAnsys?动化流程的过程中，Python程式码的编写常常成为技术上的??挑战，尤其对那些不熟悉Python编程的电??程师??。尽管如此，随着??智能技术的发展，这个挑战正变得越来越容易克服。特别是随着?型语?模型，如ChatGPT，在代码?成领域所展现的能?，从?降低编程的难度。

?前，尽管PyAnsys的程式码范例仍较为有限，ChatGPT尚未能够完全准确地?次性?成代码，但随着更多的范例和文档进入训练集，ChatGPT在?成PyAnsys代码的能?将逐步提?，未来有??实现?键?成精确代码的功能。

进?步来说，利?ChatGPT这样的AI?具?成PyAnsys代码，与OptisLang等?具结合，进?复杂的机器学习模型构建和优化设计。这不仅能实现快速的设计迭代和?质量的设计出品，还能促进创新能?的提升。更重要的是，这样的进展将促进跨学科合作，让非专业??也能够轻松叁与到复杂的?程设计和开发?作中，推动?程设计和模拟领域迈入?个更?动化、智能化的新时代。

（本文作者林呜志为 Ansys 技术专家）