什么是Sim 与实际之间的差距？

• 定义： sim 与现实之间的差距，是指在将通过模拟训练的人工智能（AI）模型部署到现实世界中运行的物理硬件上时，所产生的精度或可靠性损失。
• 核心机制：这种差距的产生是因为仿真只是对现实的近似，而非对其的精确再现；物理保真度、传感器行为以及未建模的动力学方面的差异，会导致模型在部署后表现不同。
• 关键区别：对于能够在现实世界中感知和行动的物理人工智能系统而言，弥合这一差距是实现安全、可靠自主性的先决条件，而非一个微调步骤。
• 主要方法：工程师通过高保真多物理场仿真、合成数据生成、计算域随机化以及与实测行为的校准来缩小差距，而数字孪生则确保虚拟模型在部署后仍与实际测量数据保持同步。
• 新思科技 角色：新思科技, Inc.（纳斯达克代码：SNPS）与Ansys 共同提供涵盖传感器、执行器及系统动力学的多物理场仿真产品组合，该组合可提升虚拟培训环境的保真度，支持从芯片到系统的全流程工程解决方案。

仿真是对现实的建模，而非现实本身。造成这种差距的因素有四个，每个因素都对应着工程师用来弥合这一差距的一种方法。

第五个因素并非在初期出现，而是在部署之后才显现。模型漂移是指随着物理系统老化或环境变化，静态仿真与该系统之间的偏差逐渐增大。它是在整个运行生命周期内使原本存在的偏差进一步扩大，而非制造新的偏差，因此，具备反馈功能的数字孪生能够持续解决这一问题，而非仅进行一次性的修正。

工程师们通过使仿真更贴近现实，并利用更能反映物理世界的数据对模型进行训练，从而缩小了这一差距。这是一个迭代过程：现实世界中的结果会反馈到更精确的仿真中。

3. 域名随机化

域随机化会在训练过程中，将模拟参数（如光照、纹理、传感器误报 、物体布局 以及物理属性）在较宽的范围内进行有意识的变换。暴露于大量随机变体的模型会学习出在各种条件下都成立的特征，因此现实世界会呈现为另一个变异性 ，而非一个陌生的环境。这是一种广泛用于提升从模拟到现实迁移效果的技术，特别是在与基于物理的模拟和现实世界验证 相结合时。

团队通常会结合多种互补的方法，而不是仅依赖其中一种。每种方法都针对差距的不同成因。

要理解sim 与真实世界之间的差距，最好的方法是比较物理AI模型的各种训练方式。

从实际应用来看，仅靠纯粹的仿真或纯粹的真实世界数据都不足以满足需求。许多物理人工智能（Physical AI）开发 工作流将基于仿真的训练与真实世界的校准、微调以及验证 相结合，从而将所学知识可靠地迁移到硬件上。

实际上，基于仿真的方法与基于真实世界的方法是相辅相成的。许多物理人工智能（开发 ）工作流会利用仿真来扩大场景覆盖范围并减少物理测试，随后利用测量数据进行校准、微调，并在物理硬件上进行最终的验证 。

更快、成本更低的培训

基于仿真的培训取代了耗时且成本高昂的实物试验。工程师无需为每种场景都构建硬件，即可生成大量、多样化的数据集 。

更安全开发

在早期测试阶段，可以在虚拟环境中探索危险的边界情况——例如行人突然走上路面，或组件发生故障——而无需让人员、硬件或周围环境实际暴露于这些情境之中。

更广泛的情景覆盖

仿真能够按需生成罕见和极端的条件，因此模型会面临在实际数据采集过程中极少出现的情况。

更高的实际应用可靠性

这些方法的目的是缩小模拟行为与真实世界行为之间的差异，从而为可靠地部署物理人工智能提供所需的证据和信心。

保真度与成本

更高保真度的仿真虽然缩小了差距，但需要投入更多的建模工作和计算资源。为开发 的每个阶段选择合适的保真度，是工程设计中的一项核心权衡。

感知现实主义

再现真实的传感器行为——包括误报 、畸变以及故障 等模式——是弥合差距过程中最困难的部分之一，也是基于物理的传感器仿真最具价值之处。

验证 《反现实》

要弥合这一差距，需要持续地将仿真结果与物理测量结果进行验证 ，而这取决于能否获取真实世界数据以及是否进行了严格的校准。

计算需求

高保真、大规模仿真和合成数据生成对计算基础设施提出了极高的要求。

什么是sim 与实际性能之间的差距？ sim与实际性能之间的差距，是指AI模型在模拟环境中的表现与其在现实世界中物理硬件上的表现之间的差异。出现这种差距的原因在于，模拟只是对现实的近似，而非对其的精确再现。

为什么sim 与实际运行之间的差距对物理人工智能如此重要？物理人工智能系统在现实世界中运行，而其中的错误可能会影响安全性和可靠性。一个在模拟环境中运行正常但在硬件上却会失败的模型是无法部署的，因此弥合这一差距对于实现值得信赖的自主性至关重要。

是什么导致了sim 与实际数据之间的差距？主要原因包括物理保真度近似、模拟信号与实际传感器信号之间的差异、未建模的现实世界动态（如天气和人类行为），以及多样化的现实世界训练数据匮乏。随着系统老化或环境变化，模型漂移会在部署后进一步加剧这一差距。

多物理场仿真如何帮助缩小sim 与现实之间的差距？多物理场仿真对相互作用的物理领域（包括机械、热、流体、电磁和光学）进行建模，这些领域决定了传感器如何感知以及机器如何运作。更高的物理保真度能够生成更贴近现实的培训环境和合成数据，从而缩小这一差距。

什么是域随机化？域随机化是一种训练技术，它会将模拟参数（如光照、纹理、传感器误报 以及物体布局 ）在宽泛的范围内进行变化。通过这种方式训练的模型能够学习在各种条件下都具有泛化能力的特征，因此能够更可靠地迁移到真实环境中。

什么是合成数据，为什么其准确性很重要？合成数据是指通过模拟生成的训练数据，而非从现实世界中收集的数据。其价值取决于准确性：只有高保真、物理上准确的合成数据才能帮助模型实现泛化；不准确的合成数据则会加剧这种差距。

数字孪生如何有助于弥合sim 与现实之间的差距？数字孪生在物理系统与其虚拟模型之间维持着数据连接。这种连接形成了一个反馈循环，使模拟结果始终与现实世界中的行为保持一致，并支持对人工智能系统的持续优化。

sim 与现实之间的差距能否完全消除？不能。模拟总会在一定程度上对现实进行近似。我们的目标是通过高保真模拟、合成数据、领域随机化和数字孪生校准，将这一差距缩小到足以确保模型能够可靠迁移，并最终在物理硬件上进行验证 。

弥合sim 与实际之间的差距并非仅靠单一工具就能解决。物理保真度、传感器不匹配、未建模的动力学、数据匮乏以及部署后出现的漂移等问题，均由 新思科技 及Ansys 产品组合的不同部分分别予以解决。

提高虚拟环境的保真度。培训环境的准确性取决于其底层的物理模型。Ansys 机械结构有限元分析软件和Ansys 运动多体动力学仿真软件可对机器的运动和载荷进行建模，而Ansys Maxwell高级电磁场求解器和Ansys Motor-CAD专用于多物理场仿真的电动机设计工具则可对驱动机器的执行器进行建模。 在感知方面，Ansys 的 AVxcelerate Sensors自动驾驶车辆传感器仿真软件可再现激光雷达 及摄像头的行为，而Ansys HFSS高频电磁仿真软件则涵盖雷达仿真。对于接触频繁的事件、碰撞以及其他简单接触模型难以准确近似的严苛载荷行为，Ansys 的 LS-DYNA显式动力学求解器可提供相应的物理建模支持。

根据实测行为对仿真模型进行校准。提高仿真保真度可缩小偏差；校准则可消除剩余偏差。Ansys optiSLang工艺集成与设计优化软件可执行系统辨识和参数校准，从而使模型与物理测量结果相吻合，因此下一个培训周期将基于一个与运行硬件相匹配的模型开始。

在不增加计算资源的情况下扩展覆盖范围。 Ansys SimAI人工智能平台基于高保真结果对替代模型进行训练，使团队能够评估比直接仿真所能覆盖的条件多得多的情况。这正是“选择性保真度”的实用之处：在转移误差最为关键的环节集中详细的物理建模，而在其他环节则采用更快的替代模型。

确保已部署系统随时间推移保持一致。Ansys 的Twin Builder仿真型数字孪生平台和Ansys 的TwinAI人工智能驱动型数字孪生软件，可在已部署系统与其模型之间维持数据连接，从而及时检测并纠正部署后出现的偏差，避免偏差不断累积。

在控制软件进入硬件阶段之前对其进行测试。Ansys TPT 嵌入式软件测试 工具会在模型在环（MiL）、软件在环（SiL）和硬件在环（HiL）阶段运行相同的测试用例，因此，在向物理系统迈进的每个步骤中，都会再次验证在仿真中观察到的行为。

验证训练好的模型在目标芯片上的运行情况。早期硬件验证（验证 ）有助于确保在仿真中满足延迟、功耗和热预算要求的策略，在部署的处理器上也能达到相同的效果。新思科技 Platform Architect（基于 SystemC 的 SoC 架构分析与优化工具，新思科技 ）、Virtualizer（ 虚拟样机 创建与部署软件及其生成的 VDK，新思科技 ）、ZeBu硬件（硬件加速 ，用于 SoC 验证）和软件（初启 ），以及新思科技 HAPS硅前原型设计，这些工具在硬件尚未存在时，各自验证了性能的不同方面。这使团队能够充满信心地弥合sim 与实际之间的差距。

• 什么是物理人工智能？——关于该主题的更全面的工程环境 。
• 工程物理人工智能——为何基于物理的仿真对物理人工智能至关重要。
• 应对物理人工智能指数级复杂性的工程——跨越硅片、软件和物理领域的系统级工程与虚拟验证 。
• Sim2real 模型的混合分析——网络研讨会，探讨如何利用有限数据为工业资产构建快速、精准的预测模型，内容涵盖控制设计、XiL 模型和数字孪生。