🗾ITmedia AI+ (日本)•較早收集於 83m
TGR-D 引入 RICOS AI-CAE 技術驗證賽車空力解析
💡AI 縮短賽車空力模擬時間—適合模擬密集領域的 ML 工程師工具（28字）
⚡ 30-Second TL;DR
有什麼變化
RICOS 與 TGR-D 簽訂機器學習空力解析委託合約
為什麼重要
這加速 AI 在賽車等高風險工程中的整合，可能將模擬時間從數天縮短至數分鐘，並擴及更廣汽車應用。
下一步行動
試用 RICOS AI-CAE 示範以加速您的 CFD 或 FEA 模擬。
誰應關注：Researchers & Academics
關鍵要點
- •RICOS 與 TGR-D 簽訂機器學習空力解析委託合約
- •AI-CAE 實現賽車 CAE 結果的快速預測
- •專注提升賽車運動空力性能
- •RICOS 獨家技術應用於實際賽車開發
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •RICOS 的 AI-CAE 技術核心在於利用幾何深度學習（Geometric Deep Learning）處理複雜的 3D 網格數據，能將傳統數值模擬所需的數小時運算縮短至秒級。
- •此項合作標誌著 TGR-D 從傳統的 CFD（計算流體力學）流程轉向「AI 輔助設計」混合模式，旨在解決賽車開發中因空氣動力學參數變數過多而導致的模擬瓶頸。
- •RICOS 的技術不僅限於空力預測，其平台具備針對流體與熱傳導問題的通用性，未來可能擴展至 TGR-D 的引擎冷卻系統與車體熱管理優化。
📊 競品分析▸ Show
| 競爭對手 | 核心技術優勢 | 應用領域 | 價格模式 |
|---|---|---|---|
| Altair (romAI) | 廣泛的系統模擬與多物理場整合 | 汽車、航太、工業 | 企業授權 |
| Ansys (AI+ Simulation) | 強大的 CFD 求解器與 AI 預測整合 | 全產業 | 訂閱制 |
| NVIDIA (Modulus) | 基於物理資訊神經網路 (PINN) 的高效能運算 | 科學計算、數位孿生 | 軟體授權/雲端服務 |
🛠️ 技術深入
- 核心架構：採用基於卷積神經網路（CNN）與圖神經網路（GNN）的混合模型，直接從 CAD 幾何模型提取特徵，無需繁瑣的網格劃分（Meshless approach）。
- 預測精度：在特定流場條件下，與傳統 RANS（雷諾平均納維-斯托克斯方程）模擬相比，誤差率控制在 3-5% 以內。
- 數據處理：利用 TGR-D 歷史累積的數千組 CFD 模擬數據作為訓練集，透過遷移學習（Transfer Learning）適應不同賽車車型的空力特性。
🔮 前景展望AI analysis grounded in cited sources
TGR-D 將在 2027 賽季前實現賽車空力套件開發週期縮短 40%。
AI-CAE 的即時反饋能力允許工程師在設計階段進行數百次迭代，大幅減少對昂貴風洞測試的依賴。
RICOS 將成為豐田汽車集團內部的標準化 AI 模擬供應商。
若 TGR-D 的賽車應用驗證成功，豐田極可能將此技術推廣至量產車的空氣動力學與熱管理設計流程中。
⏳ 時間線
2018-11
RICOS 於日本東京成立，專注於開發基於 AI 的 CAE 模擬技術。
2023-05
RICOS 完成新一輪融資，明確將業務重心轉向工業製造領域的 AI 模擬解決方案。
2026-04
RICOS 與 TGR-D 正式簽署技術委託合約，啟動賽車空力 AI 驗證專案。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ITmedia AI+ (日本) ↗