百度飞桨联合 NVIDIA PhysicsNeMo 打造汽车风阻预测模型 DNNFluid-Car

一、方案背景与核心挑战

自汽车行业诞生之初，降低风阻系数一直是重要目标：汽车行驶过程中为克服气动阻力而消耗的能量约占整车能耗的 20%。工程师通常利用计算流体力学（CFD）软件计算不同外形的流场信息并改进高阻力区域，但以千万级网格计算为例，完成一个设计版本的模拟约需 2000 CPU 核·时的计算资源。车型高速迭代的趋势要求更快、更精确的仿真支撑。核心挑战：基于物理模型和传统数值计算方法的低阶矩湍流模型虽在工程 CFD 中广泛应用，但仿真速度不足以支撑快速概念设计与全空间气动优化；此前的 AI 风阻预测探索又大多未充分考虑物理信息，难以兼顾精度与泛化。

二、解决方案名称与架构

解决方案名称：基于 NVIDIA PhysicsNeMo 与百度飞桨的 3D 高精度汽车风阻预测模型 DNNFluid-Car

核心技术：模型基于 NVIDIA PhysicsNeMo（原 Modulus）——一个集成了流体力学、传热学、结构力学等物理问题神经网络模型与算子的基于物理的机器学习框架。DNNFluid-Car 的核心模型采用几何信息神经算子（Geometry-informed neural operator, GINO），通过纯数据驱动方法预测汽车表面压力与壁面剪切应力分布，进而预测相应几何的风阻系数。

三、核心技术组件

GINO 网络选型：GINO 解决了单纯卷积神经网络（CNN）和傅立叶神经算子（FNO）难以适应大规模汽车不规则几何外形的难题。与 CNN 相比，FNO 具有全局感受野、高效性和网格无关性，使基于 FNO 中间层的 GINO 网络具备更好的泛化性以及更高的精度、计算效率与空间分辨率。

飞桨端到端加速：NVIDIA 与百度团队结合 DNNFluid-Car 模型特点，基于飞桨进行了端到端的深度加速。模型训练效果与优化前相比，训练速度提升 10 倍，显存占用降低 50%。基于飞桨框架适配的 PhysicsNeMo 能充分利用飞桨的高阶自动微分机制与编译优化技术，部分案例在飞桨后端的训练和推理效率已初步超越 PyTorch 后端。

数据管线优化：作为纯数据驱动模型，DNNFluid-Car 的训练数据为 CFD 数值模拟数据，其生成过程包括几何生成、网格划分、数值模拟和后处理。研发团队针对以上环节分别进行了汽车几何生成与修复、数据下采样优化，以提升整体训练效率。

四、实施成果

利用 DNNFluid-Car 可实现对未知车型的表面压力预测：在 NVIDIA Tensor Core GPU 环境下，数秒内即可得到汽车表面的压力分布、风阻系数等关键信息。如果仅考虑模型推理时间，DNNFluid-Car 的计算速度比传统数值计算至少快 2-3 个数量级，有效减少了对数以千计的 CPU 计算资源的依赖，为加速汽车设计仿真提供了新的可行路径。百度杰出架构师胡晓光表示，DNNFluid-Car 模型充分利用了百度飞桨深度学习框架及 NVIDIA PhysicsNeMo 在模型训练和模型开发等方面的便捷性与高性能特点，为当前快速预测汽车风阻系数提供了可行的解决方案。

五、未来展望

NVIDIA 与百度飞桨团队正携手高校科研机构与汽车工业用户持续优化现有模型，提升其在用户实际场景下的精度与实用性；针对推理与部署的计算资源需求，研发团队将基于框架推理优化技术进行模型剪枝、量化等优化，使模型更灵活地适配多种部署环境。未来结合 NVIDIA Omniverse 数字孪生平台，还可打造交互式、实时的汽车空气动力学仿真应用。