跳到主要内容
返回时间线
Luminary Cloud来源发表:

Luminary把物理大模型改成持续学习:30次仿真预算内,汽车气动阻力误差从10.4%降到1.6%

核心概要

Luminary平台2026年秋季版把物理大模型从训练后固定的静态模型改为持续大物理模型(CLPM),由智能体找出模型不确定的区域、补跑仿真,并把新数据学进去而不遗忘已有知识。在DrivAerML汽车气动算例上,给定30次仿真预算和5个留出测试设计,首轮均匀铺开的18次仿真把阻力误差定在10.4%,随后两轮各6次仿真投向模型最不确定处,阻力误差依次降到4.8%和1.6%,低于目标后循环自行停止。同一版本还引入由自然语言请求驱动的智能体工程流程,覆盖几何、仿真、训练与分析。

Source-provided article image: What's New in the Luminary Platform Fall 2026: Agent-Led Engineering, Continual Large Physics Models, and More
Luminary Cloud

深度剖析

物理大模型不再在发布时定型,而是随使用持续更新:平台上的每个模型都以持续大物理模型的形式交付,能力在模型生命周期内继续提升。 此前的物理大模型是静态的,设计空间稳定时结果可复现,但一旦需求变化、设计评审新增参数或出现训练数据之外的形状,模型只能照常作答或标记输入,要更新就得重新走一遍人工的仿真、训练、验证与发布流程。 DrivAerML汽车气动模型在30次仿真预算和5个留出测试设计下,首轮18次仿真均匀分布得到10.4%阻力误差和17.1%升力误差,第二轮6次投向最不确定区域后降到4.8%和7.9%,第三轮再6次后降到1.6%和4.0%,误差低于目标后循环自动停止。

智能体接管了从一句自然语言请求到完整工作流的全过程,覆盖几何、仿真、训练与推理各步骤。 设计研究里求解器很少是瓶颈,时间大多花在求解前后的设置与清理上,而且依赖稀缺的专家经验,每一步人工交接都可能引入错误。 平台给出的示例中,智能体在27分钟内产出可用于生成设计空间的参数化几何模型,在21分钟内把制造CAD转成可仿真的几何,在18分钟内从工程图生成三维CAD模型,并在29分钟内按汽车DDES最佳实践搭建并跑完一套SUV气动算例。

启示与展望

演示范围限于Luminary平台自身的求解器、数据湖与模型注册表,气动闭环结果来自DrivAerML汽车算例,智能体耗时示例来自平台列出的若干具体请求;该版本计划在Q1 FY2027正式可用。

气动闭环的误差下降来自单一DrivAerML算例与固定预算设置,其他物理场与设计空间是否同样收敛尚未在材料中给出;智能体耗时示例为个别请求的记录,未说明统计分布。