何謂「模擬與實際之間的差距」？

• 定義：模擬與實境之間的落差，是指當在模擬環境中訓練的人工智慧（AI）模型部署至實際運作於真實世界中的實體硬體時，所產生的準確性或可靠性損失。
• 核心機制：這種差距的產生，是因為模擬僅是對現實的近似，而非精確重現；物理精確度、感測器行為以及未建模的動態特性之間的差異，會導致模型在部署後表現出不同的行為。
• 關鍵差異點：對於 物理 AI 能夠感知並在現實世界中採取行動的系統而言，彌合這道鴻溝是實現安全、可靠自主運作的先決條件，而非僅是微調的步驟。
• 主要方法：工程師透過高保真多物理場 模擬、合成資料生成、領域隨機化，以及與實測行為進行校準，來彌合差距；而在部署後，數位孿生則確保虛擬模型能與實際測量數據保持緊密對應。
• 新思科技 職稱：新思科技, Inc.（納斯達克代碼：SNPS）以及 Ansys 提供涵蓋感測器、致動器及系統動力學的「多物理場 」模擬產品組合，可提升虛擬訓練環境的逼真度，並支援從晶片到系統 所提供的工程解決方案。

模擬是現實的模型，而非現實本身。造成這種差距的因素有四種，而每種因素都對應著工程師用來彌合此差距的一種方法。

第五個因素並非在初期出現，而是在部署之後才顯現。所謂「模型漂移」，是指隨著物理系統老化或其環境變化，靜態模擬結果逐漸偏離實際物理系統的現象。這種現象會在運作生命週期中擴大現有的差距，而非造成新的差距；正因如此，具備回饋功能的數位孿生能持續解決此問題，而非僅進行一次性的修正。

工程師們透過讓模擬更貼近現實，並利用更能反映物理世界的數據來訓練模型，從而縮小這項差距。這個過程是迭代的：現實世界的結果會反饋到模擬中，使模擬更加精確。

3. 網域隨機化

「領域隨機化」是在訓練過程中，有意識地將模擬參數（例如光照、紋理、感測器雜訊、物件配置及物理特性）在廣泛範圍內進行變動。當模型接觸到大量隨機變體時，便會學習到在各種條件下都成立的特徵，因此真實世界對其而言僅是另一種變體，而非陌生的環境。這是一種廣泛應用的技術，用於提升從模擬到現實的遷移能力，特別是在結合基於物理的模擬與真實世界驗證時效果更佳。

團隊會結合多種互補的方法，而非僅依賴其中一種。每種方法都針對差距的不同成因。

要理解「模擬與現實之間的差距」，最有效的方法是比較物理 AI 模型的各種訓練方式。

實際上的結論是，單靠純粹的模擬或純粹的真實世界資料，都不足以達成目標。許多物理 AI 開發工作流程會將基於模擬的訓練與真實世界的校準、微調及驗證相結合，藉此將所學內容可靠地轉移至硬體上。

實際上，基於模擬的方法與實機測試的方法是相輔相成的。許多物理 AI 開發工作流程會先利用模擬來擴展情境涵蓋範圍並減少實機測試，隨後再利用測量數據進行校準、微調，並在實機硬體上進行最終驗證。

更快速、成本更低的培訓

模擬訓練取代了耗時且昂貴的實體測試。工程師無需為每種情境建置硬體，即可產生龐大且多樣化的資料集。

更安全的開發

在早期測試階段，可透過虛擬環境模擬各種危險的邊界情況——例如行人突然步出，或元件發生故障——而無需讓人員、硬體或周遭環境實際暴露於這些情境之中。

更廣泛的情境涵蓋範圍

模擬能夠按需重現罕見且極端的狀況，因此模型得以接觸到在實際資料蒐集過程中極少會出現的情境。

更佳的實際應用可靠性

這些方法的目的是為了減少模擬行為與實際行為之間的差異，從而提升可靠部署物理 AI 所需的證據與信心。

忠實度與成本

更高精度的模擬雖能縮小差距，但需要投入更多的建模工作與運算資源。針對每個開發階段選擇適當的精密度，是工程上的核心權衡考量。

感測器現實主義

重現真實感測器的行為——包括雜訊、失真及故障模式——是彌合差距最困難的部分之一，而這正是基於物理的感測器模擬最能發揮價值之處。

與現實的對照驗證

要縮小這項差距，必須持續將模擬結果與實測數據進行比對驗證，而這取決於能否取得真實世界數據以及是否能進行嚴謹的校準。

運算需求

高保真、大規模的模擬與合成數據生成，對運算基礎架構提出了極高的要求。

何謂「模擬與實際之間的差距」？所謂「模擬與實際之間的差距」，是指人工智慧模型在模擬環境中的表現，與其在現實世界中實體硬體上的表現之間的差異。這種差距之所以會出現，是因為模擬僅是對現實的近似，而非精確重現。

為何「模擬與實機之間的差距」對物理 AI 至關重要？ 物理 AI 系統運作於真實世界中，而錯誤可能影響安全與可靠性。一個在模擬環境中運作正常、但在硬體上卻會失敗的模型是無法部署的，因此彌合這項差距對於實現值得信賴的自動駕駛至關重要。

造成模擬與現實之間差距的原因為何？主要原因包括：物理保真度的近似處理、模擬與真實感測器訊號之間的差異、未納入模型的現實世界動態（例如天氣與人類行為），以及多樣化的現實世界訓練資料匱乏。隨著系統老化或環境變化，模型漂移會進一步擴大部署後的差距。

多物理場 模擬如何協助縮小「模擬與現實」之間的差距？ 多物理場 模擬能建模相互作用的物理領域——包括機械、熱力、流體、電磁及光學——這些領域決定了感測器如何感知以及機器如何運作。更高的物理保真度能產生更貼近現實的訓練環境與合成數據，從而縮小這項差距。

何謂「領域隨機化」？領域隨機化是一種訓練技術，透過在廣泛範圍內變動模擬參數（例如光照、紋理、感測器雜訊及物件配置）來進行訓練。以此方式訓練的模型能學習出在各種條件下皆具泛化能力的特徵，因此能更可靠地將學習成果轉移至真實環境中。

什麼是合成數據，為什麼其準確性如此重要？合成數據是指透過模擬產生，而非從現實世界中蒐集而來的訓練數據。其實用性取決於準確性：唯有高保真且物理上精確的合成數據，才能幫助模型進行泛化；不準確的合成數據則可能擴大這種差距。

數位孿生如何有助於彌合模擬與現實之間的差距？ 數位孿生 能在實體系統與其虛擬模型之間維持資料連結。此連結形成一個回饋迴路，使模擬結果能與現實世界的行為保持一致，並支援人工智慧系統的持續優化。

能否完全消除模擬與現實之間的差距？不能。模擬始終只能在某種程度上近似現實。目標是透過高保真模擬、合成數據、領域隨機化及數位孿生校準，將差距縮小到足以讓模型可靠地轉移，並最終在實體硬體上進行驗證。

彌合模擬與現實之間的差距並非單一工具所能解決的問題。物理精確度、感測器不匹配、未建模的動力學、數據匱乏，以及部署後出現的漂移，這些問題分別由該系統的不同部分來處理 新思科技 以及 Ansys 產品組合的各部分，分別針對上述各項問題進行處理。

提升虛擬環境的保真度。訓練環境的精確度取決於其底層的物理模型。Ansys 機械結構有限元素分析軟體與Ansys 運動多體動力學模擬軟體，用於建模機器的運動與載荷；而Ansys Maxwell進階電磁場求解器及Ansys Motor-CAD專用電動機設計工具（適用於多物理場 模擬），則用於建模驅動機器的致動器。 在感測方面，Ansys 的 AVxcelerate Sensors自動駕駛車輛感測器模擬軟體可重現雷射雷達（LiDAR）與攝影機的運作行為，而Ansys 的 HFSS高頻電磁模擬軟體則涵蓋雷達模擬。針對接觸頻繁的事件、衝擊以及其他單純接觸模型難以精確近似的嚴苛載荷行為，Ansys 的 LS-DYNA顯式動力學求解器可提供相應的物理模擬。

根據實測行為校準模擬結果。提高保真度可縮小差距；校準則能彌合剩餘的差距。Ansys 的 optiSLang製程整合與設計優化軟體，可執行系統辨識與參數校準，使模型與實測數據相符，因此下一個訓練週期將基於一個與其運行硬體相符的模型展開。

在不增加運算資源的情況下擴展涵蓋範圍。 Ansys SimAI人工智慧平台利用高保真度結果來訓練替代模型，讓團隊能夠評估遠比直接模擬所能涵蓋的更多條件。這正是「選擇性保真度」的實用之處：將詳細的物理模擬集中在轉移誤差最關鍵的部位，而在其他部位則採用更快速的替代模型。

確保已部署系統隨時間推移保持與模型一致。Ansys 基於模擬的Twin Builder 數位孿生 平台，以及Ansys 由人工智慧驅動的TwinAI 數位孿生 軟體，能維持已部署系統與其模型之間的資料連結，從而偵測並修正部署後出現的偏差，避免其累積。

在控制軟體部署至硬體之前進行測試。 Ansys TPT 嵌入式軟體測試工具會在「模型在迴路中」（Model-in-the-Loop）、「軟體在迴路中」（Software-in-the-Loop）及「硬體在迴路中」（Hardware-in-the-Loop）等階段執行相同的測試案例，因此，在模擬中觀察到的行為，會在邁向實體系統的每個步驟中再次進行驗證。

驗證已訓練的模型在目標矽晶片上的運作表現。及早進行硬體驗證，有助於確保在模擬環境中符合延遲、功耗及熱設計預算的策略，在部署後的處理器上也能達到相同表現。 新思科技 Platform Architect 基於 SystemC 的 SoC 架構分析與優化工具、 新思科技 Virtualizer 虛擬原型建立與部署軟體及其產生的 VDK， 新思科技 ZeBu 用於 SoC 驗證與軟體啟動的硬體模擬，以及 新思科技 HAPS 晶片前原型開發，這些工具各自在硬體實體化之前，驗證了該效能的不同面向。這使團隊能夠充滿信心地彌合模擬與實機之間的差距。

• 什麼是「物理 AI 」？——本主題的更廣泛工程背景。
• 工程學物理 AI—— 為何基於物理的模擬是物理 AI 的基礎。
• 因應「物理 AI 」的指數級複雜性所進行的工程設計——橫跨矽晶片、軟體與物理領域的系統級工程設計與虛擬驗證。
• Sim2real 模型的混合分析— 線上研討會，探討如何針對資料有限的工業資產建構快速且精準的預測模型，內容涵蓋控制設計、XiL 模型及數位孿生。