無論是IndyCar還是勒芒超級跑車，駕駛賽車贏得勝利需要勇氣與技術，但最根本的還是極致速度。這使得智能工程成為任何制勝策略的核心所在。

在尋求競爭優(yōu)勢的過程中，工程師們不斷對新賽車設計進行迭代，調整車身幾何結構、前翼、后擴散器以及各類小型氣動附件的造型，探索這些新配置是否能轉化為賽道上的實質性性能提升。

計算機輔助設計與仿真技術的出現進一步拓展了這一創(chuàng)意流程，使得在虛擬環(huán)境中測試新想法變得更加快捷高效。如今，工程師們借助計算流體動力學（CFD）來預測微小的設計改動將如何影響下壓力和阻力等氣動效果，并間接影響車輛的操控性、平衡性和效率，從而決定車輛在高速行駛和不同賽道條件下的表現。

CFD是一種強大的工具，但求解描述氣流及其他物理現象的復雜方程需要消耗大量時間。氣動工程師評估一處細微的表面調整可能就要花費數小時，而設計一輛完整的賽車則需要數周乃至數月。

IBM研究院與達拉拉集團（Dallara Group）近期攜手合作，共同探索如何在保持高精度物理準確性的前提下，大幅提升這一評估過程的效率。

達拉拉專門為全球頂級賽事設計并提供高性能賽車，服務領域涵蓋IndyCar、一級方程式2（F2）以及IMSA WeatherTech SportsCar錦標賽。IBM則是經典計算與量子計算領域的領軍企業(yè)，其AI模型組合在洪水與山火范圍預測、天氣與氣候模擬、太陽動力學分析乃至聚變等離子體動力學等方面均有突破性進展。

雙方希望借助基于物理仿真數據訓練的AI代理模型，推動車輛設計與優(yōu)化的發(fā)展，并計劃在未來探索將量子算法引入工作流程，以進一步提升仿真精度。

在一項實驗中，達拉拉以一輛類似勒芒原型車2（LMP2）的賽車為基礎，設計了多款不同版本的后擴散器——這一位于車身底部的部件能夠增加下壓力，提升賽車的抓地力。工程師們隨后分別采用傳統(tǒng)CFD仿真和IBM構建、經達拉拉專有仿真數據訓練的AI代理模型對上述設計進行了評估。

兩種方法均準確識別出了最優(yōu)設計方案，但CFD分析耗時數小時，而AI評估僅用約10秒即可完成。達拉拉估計，將AI代理模型應用于典型的數百種幾何配置評估，可將仿真時間從數天壓縮至數分鐘。

上述初步成果已發(fā)表于一篇題為《以設計驅動速度》（Faster by Design）的新白皮書中，IBM研究員克里斯蒂亞諾·馬洛西（Cristiano Malossi）近期在ICLR 2026的AI與偏微分方程研討會上發(fā)表了相關演講。

該模型本身是由IBM研究人員設計的一種基于圖的神經算子，命名為規(guī)范不變譜Transformer（Gauge-Invariant Spectral Transformer，簡稱GIST），旨在解決如何高效處理基于偏微分方程的圖結構仿真數據這一核心挑戰(zhàn)。

從眼鏡到飛機，當今許多量產產品都借助計算機上的三維網格（Mesh）進行設計，網格通過密集的點、連接線和平面構成，定義了產品的形狀、體積和表面輪廓。

此前用于預測氣動力的圖模型通常將賽車網格視為簡單的點云。對于普通乘用車而言，點云描述幾何形狀或許已經足夠，但賽車擁有極為精細的氣動部件——從前部導流片到后翼上的古爾尼翼片——這些細節(jié)對車輛性能有著舉足輕重的影響。

網格結構中在物理位置上相鄰的兩側點，在氣動效果上可能受到完全相反的力。要使AI模型正確處理這些表面，就必須讓模型理解網格各點之間的連接關系。IBM的GIST架構同時編碼了網格點的坐標及其連接線的信息，從而更精準地捕捉網格的拓撲結構，在復雜部件的預測上實現了更清晰、更貼近物理規(guī)律的結果，而這些部件恰恰是賽車高性能表現的關鍵所在。

然而，捕捉這些復雜關系對計算資源的消耗同樣巨大。為了降低此前制約圖Transformer擴展能力的復雜度，研究人員采用隨機投影方法生成圖嵌入——這是一種以強大性能和簡潔性著稱的壓縮感知技術。

與此同時，研究人員還設計了一種"規(guī)范不變"的Transformer架構，確保模型能夠在不同嵌入投影和網格密度之間無縫泛化。在物理學中，規(guī)范不變性意味著無論采用何種任意數學描述方式，系統(tǒng)的基本物理性質保持不變。

IBM的主要研究人員之一馬蒂亞·里戈蒂（Mattia Rigotti）解釋道："波士頓和紐約的坐標會因使用GPS還是二維地圖而有所不同，但兩座城市之間的實際物理距離不會改變。坐標的選擇就如同規(guī)范的選擇。物理關系——無論是城市之間的距離，還是圖中點與連接線的結構——都是規(guī)范不變的。我們將這一洞見融入了模型的設計之中。"

研究團隊在達拉拉的LMP2數據集上對模型進行了訓練與測試，數據集涵蓋了不同賽道條件和駕駛動作下的仿真結果，從高速過彎到急剎車均有收錄。數據集中的每項配置均經達拉拉工程師對照預期氣動行為進行了審核與驗證。在未見子集上的評估顯示，GIST模型在壓力和剪切應力等氣動力預測方面的精度超越了其他主流AI代理模型。

達拉拉CFD方法論負責人埃利薩·塞里奧利（Elisa Serioli）表示："我們很榮幸IBM選擇達拉拉作為這次創(chuàng)新合作的伙伴。IBM基于AI的模型預測結果與傳統(tǒng)CFD相比展現出極具潛力的表現，泛化能力也令人振奮，這對于達拉拉多產品線的業(yè)務環(huán)境而言尤為值得關注。"

IBM與達拉拉計劃通過引入更多達拉拉專有高性能賽車數據，持續(xù)完善AI代理模型。與此同時，雙方也在展望下一代計算時代，開始探索量子及量子-經典混合方法如何進一步提升和加速高性能車輛的設計流程。

通過將達拉拉在車輛工程與CFD驅動設計方面的專業(yè)積累，與IBM在AI和量子計算領域的領先優(yōu)勢相結合，研究人員將探索如何增強傳統(tǒng)仿真工作流，并最終將發(fā)現的創(chuàng)新設計付諸實踐。

這一合作的意義遠不止于賽道。氣動設計對乘用車、商用飛機等各類交通工具同樣至關重要，對任何將空氣動力學納入設計流程的行業(yè)都具有普遍價值。將日常交通工具的空氣阻力降低幾個百分點，便可在燃油效率上實現可觀的累積改善，既能為用戶節(jié)省油費，又有助于減少碳排放。

Q&A

Q1：GIST模型是什么？它在賽車設計中有什么作用？

A：GIST（規(guī)范不變譜Transformer）是由IBM研究人員開發(fā)的一種基于圖的神經算子模型。在賽車設計中，它被用作CFD仿真的AI代理模型，能夠高效預測賽車氣動部件的壓力、剪切應力等氣動力表現。相比傳統(tǒng)CFD仿真需要數小時，GIST模型僅需約10秒即可完成評估，可將數百種設計配置的仿真時間從數天壓縮至數分鐘，大幅加速工程師的設計迭代流程。

Q2：IBM和達拉拉合作的AI代理模型準確嗎？

A：準確性較高。研究團隊在達拉拉的LMP2數據集上進行了訓練與測試，數據涵蓋高速過彎、急剎車等不同賽道工況，每項配置均經達拉拉工程師審核驗證。在未見數據子集上的測試表明，GIST模型在氣動力預測精度上超越了其他主流AI代理模型，且在實驗中與傳統(tǒng)CFD一致識別出了最優(yōu)擴散器設計方案。

Q3：這項賽車氣動仿真技術有沒有其他行業(yè)的應用價值？

A：有。氣動設計不僅限于賽車領域，乘用車、商用飛機及其他對空氣動力學有需求的行業(yè)同樣適用。將日常交通工具的空氣阻力降低幾個百分點，便能帶來可觀的燃油效率提升，幫助用戶節(jié)省油耗成本，同時減少碳排放，具有顯著的經濟和環(huán)保意義。