Simulation mit bis zu 1000-facher Geschwindigkeit konventioneller Solver
Die Spritzgusssimulation ist ein eng gekoppeltes Multiphysik-Problem. Geschmolzenes Polymer fließt durch komplexe Geometrien, tauscht Wärme mit Werkzeugwänden aus und breitet sich unter Druck durch variierende Querschnitte aus. Die genaue Modellierung dieser Dynamik erfordert die Auflösung der Abhängigkeiten zwischen Geometrie, Materialrheologie und Prozessbedingungen über Raum und Zeit.
Seit Jahrzehnten sind Finite-Elemente- und Finite-Volumen-Solver die einzige Option. Sie liefern bewährte Genauigkeit - aber mit erheblichem Rechenaufwand. Ein einzelner Simulationslauf kann Stunden dauern und eine vollständige statistische Versuchsplanung kann sich über Tage erstrecken. Diese Rechenintensität schafft einen fundamentalen Engpass: Sie beschränkt, wie viele Varianten ausgewertet werden, was wiederum die Optimierung einschränkt. Das Ergebnis sind Engineering-Lösungen, die nur "gut genug" sind, wobei viele potenzielle Verbesserungen unerforscht bleiben.
Heute präsentieren wir das erste Large Engineering Model für den Kunststoffspritzguss — ein vortrainiertes Transformer-Modell, das generalisierbare Physik aus grossen Simulationsdaten lernt, um konventionelle Solver durch physikalisch genaue Echtzeit-Vorhersagen zu ersetzen. Gemeinsam mit unseren Partnern bei EMMI AI haben wir diesem Modell beigebracht, die Physik des Kunststoffspritzgusses vorherzusagen — mit einer Genauigkeit, die klassischen Solvern vergleichbar ist, aber bis zu drei Größenordnungen (1000x) schneller.
Die heute veröffentlichte Forschungsvorschau deckt die Füllphase ab — die Ausbreitung der Schmelzefront durch die Kavität — und sagt vollständige raumzeitliche Felder voraus: Füllverlauf, Druck, Temperatur und Scherrate. Das Modell ist in Entwicklung und wir erweitern seine Fähigkeiten täglich. Gemäß den bekannten Skalierungsgesetzen wachsen Genauigkeit und Umfang mit den Trainingsdaten und der eingesetzten Rechenleistung. Wir werden in Zukunft weitere Modellversionen veröffentlichen.
Neben der überlegenen Geschwindigkeit verfügt die neue Engine über nützliche neuartige Eigenschaften wie volle Differenzierbarkeit, native GPU-Parallelität und auflösungsflexible Ausgabe. Diese Fähigkeiten ergänzen unseren klassischen Solver und eröffnen völlig neue Workflows, die zuvor entweder rechnerisch unerschwinglich oder schlicht unmöglich waren — wie Echtzeit-Feedback zu Designänderungen, gradientenbasierte Optimierungsmethoden und praktische Integration in tiefautomatisierte agentische Design-for-Manufacturing-Workflows.
Methodik
Der Aufbau eines neuronalen Solvers für den Spritzguss ist kein einfaches überwachtes Lernproblem. Drei ineinander verflochtene Herausforderungen lassen naive Ansätze scheitern - und jede hat das Design des Cadmould AI Solver geprägt.
Abbildung 1: Transformerbasierte Architektur, die eine bis zu 1000-fache Beschleunigung gegenüber konventionellen Solvern ermöglicht.
Kodierung geometrischer Vielfalt: Industriebauteile reichen von planaren Konsumgütern bis zu komplexen Gehäusen mit dünnen Wänden, Rippen und Hinterschnitten. Jedes tragfähige Modell muss über diese topologische Vielfalt generalisieren, ohne auf feste Netz-Topologien oder Eingangsauflösungen angewiesen zu sein. Der Cadmould AI Solver adressiert dies durch eine auflösungsunabhängige Kodierungsstufe: Die Eingangsgeometrie, Anschnittdefinitionen, Materialeigenschaften und Prozessparameter werden in eine kompakte interne Repräsentation transformiert, die sowohl einfache Benchmark-Bauteile als auch grosse Industriegeometrien einheitlich erfasst. Die Kodierung ist robust gegenüber Unterschieden in der Netzdichte, den Randbedingungen und der Merkmalskomplexität.
Auflösung gekoppelter Physik: Der Füllprozess beinhaltet interagierende Transportphänomene - Masse, Impuls und Energie - gesteuert durch temperaturabhängige Viskosität und thermische Randbedingungen. Diese Wechselwirkungen umspannen Skalen: von makroskopischen Strömungsmustern bis zu lokalen Effekten wie Zögern an dünnen Abschnitten oder Race-Tracking in Bereichen variabler Dicke. Der Cadmould AI Solver entwickelt den physikalischen Zustand in einem gelernten latenten Raum, der für rechnerische Effizienz optimiert ist. Die Trainingsziele erzwingen nicht nur schrittweise Genauigkeit, sondern auch Langzeit-Stabilität, die die nichtlineare Entwicklung thermomechanischer Felder unter variierenden Einspritzparametern widerspiegelt.
Vorhersage zeitlicher Entwicklung ohne Drift: Das System ist inhärent dynamisch. Fehler in frühen Zeitschritten können sich aufschaukeln und Vorhersagen über den Füllzyklus von physikalischem Verhalten abweichen lassen. Um dem entgegenzuwirken, nutzt der Cadmould AI Solver überwachtes Training auf hochpräzisen Daten, die dicht von einem numerischen Solver abgetastet werden. Durch Bestrafung von Vorhersageabweichungen an jedem einzelnen Zeitschritt wird das Modell zu Trajektorienkonsistenz geführt, wodurch sichergestellt wird, dass Langzeitsimulationen an physikalischen Gesetzen verankert bleiben.
Die zugrundeliegende Architektur folgt einem transformerbasierten Design, das in einem komprimierten latenten Raum arbeitet und es dem Modell ermöglicht, auf komplexe industrielle Geometrien zu skalieren und dabei schnelle Inferenz beizubehalten. In der Dekodierungsphase werden physikalische Felder — Füllgrad, Druck, Temperatur, Scherrate — an benutzerdefinierten raumzeitlichen Koordinaten vorhergesagt. Dasselbe Modell unterstützt sowohl schnelles Screening mit niedriger Auflösung als auch detaillierte Feldberechnung mit hoher Auflösung. Wichtig ist, dass die gesamte Pipeline vollständig differenzierbar ist — eine Eigenschaft, auf die wir weiter unten zurückkommen.
Training
Der Cadmould AI Solver wird auf proprietären Datensätzen trainiert, die von unseren Kunststoff- und Machine-Learning-Ingenieuren erstellt wurden, und die Leistung wird gegen produktionsreife numerische Solver validiert. Das Trainingskorpus umfasst synthetische Geometriefamilien und reale Industriebauteile und deckt systematisch Anschnittkonfigurationen, Prozesseinstellungen (Fliessraten, Werkzeugtemperaturen) und diverse Polymermaterialverhalten ab. Kontrollierte Störungen in Geometrie- und Prozessparametern werden während des Trainings eingeführt, um physikalisch konsistente und stabile Reaktionen auf Konstruktionsänderungen sicherzustellen - wie das Verschieben von Anschnittpositionen oder die Anpassung der Wanddicke.
Der aktuelle Datensatz umfasst Hunderte von Terabytes an Spritzgusssimulationen. Die Forschungsvorschau wurde auf einer Teilmenge dieser Daten trainiert und wir erweitern den Datensatz aktiv, während wir in unserer Modellentwicklung voranschreiten.
Datenschutz durch Design
Ein häufiges Anliegen bei neuronalen Modellen ist Datenleckage: Kann das Modell proprietäre Informationen aus seinen Trainingsdaten reproduzieren? Dieses Anliegen wird durch Erfahrungen mit generativen Modellen geprägt, die proprietären Text, Bilder oder Code ausgeben können — Domänen, in denen Trainingsdaten wörtlich in den Ausgaben erscheinen können.
Der Cadmould AI Solver ist architektonisch anders. Seine Ausgaben sind Physikfelder: Druck, Temperatur, Füllgrad über Raum und Zeit. Proprietäre Assets - Bauteilgeometrien, Materialformulierungen, Prozessrezepte - erscheinen nur als Eingaben des Modells. Das Modell kann keine Geometrien oder Prozessspezifikationen generieren, weil diese einfach nicht in seinem Ausgabebereich liegen. Was der Cadmould AI Solver lernt, ist eine Abbildung von Randbedingungen auf physikalisches Verhalten. Hohe Genauigkeit bei einem neuen Bauteil zeigt an, dass ähnliche Physik im Training repräsentiert war - nicht, dass eine bestimmte Geometrie auswendig gelernt wurde.
Ergebnisse
We evaluated the research preview of Cadmould's AI Solver against production-grade numerical solvers on held-out geometries spanning simple consumer parts to complex industrial components.
Rechengeschwindigkeit
Über unsere gesamte Testsuite hinweg erzielt das Forschungsvorschau-Modell typische Beschleunigungen von 500 — 1000x gegenüber konventioneller Finite-Elemente-Simulation. Die spezifische Beschleunigung variiert stark mit Netzauflösung, Materialkomplexität, Bauteilgeometrie und Rechenhardware. Wo jedoch die Berechnungszeit für numerische Lösungen von Minuten bis Stunden variierte, benötigte der AI Solver nie mehr als wenige Sekunden.
Für diesen Benchmark wurden numerische Solver-Läufe auf unserem HPC-Cluster mit zwei AMD EPYC 9J14 CPUs pro Simulation durchgeführt; die Vorhersagen des Cadmould AI Solver wurden auf einer einzelnen NVIDIA A100 GPU generiert. Das Modell ist jedoch mit aktuellen und nächsten GPU-Architekturen kompatibel und wurde auch auf NVIDIA H100 Hardware trainiert.
Gesamtleistung
Das Modell arbeitet robust über diverse Vorhersageziele hinweg, d.h. Vorhersagen auf Anschnitt- und Knotenebene, mit überwiegend einstelligen relativen Fehlern, neben lokalisierten Fehlern im zweistelligen Bereich.
Während die meisten Vorhersagen hochgenau sind, können komplexe geometrische Merkmale und anspruchsvolle Konfigurationen immer noch erhöhte lokalisierte Fehler verursachen. Diese Phänomene werden im Folgenden anhand anschaulicher Beispiele detailliert. Um diese aktuellen Einschränkungen zu mildern, befinden sich zukünftige Iterationen des Modells in aktiver Entwicklung. Ein Hauptfokus dieser laufenden Arbeit ist die signifikante Skalierung des Trainingsdatensatzes, um gezielt anspruchsvolle Randfälle abzudecken.
Wir betonen erneut, dass die bereitgestellte interaktive Demo als Forschungsvorschau dient; die Modellkapazität wird aktiv parallel zu erweiterten Datensätzen skaliert.
Alle ab hier gezeigten Ergebnisse sind Out-of-Distribution: Das Modell hat diese Geometrien während des Trainings nie gesehen. Für jeden Testfall vergleichen wir Vorhersagen über vier physikalische Felder — Füllverlauf, Druck, Temperatur und Scherrate — zusammen mit Karten des relativen Fehlers.
Konkretes Beispiel an einem realen Industriebauteil
Wir untersuchen ein einzelnes Bauteil unter zwei verschiedenen Konfigurationen, um zu veranschaulichen, wie sich Vorhersagen in der Praxis verhalten. Die Pumpengehäuse-Geometrie — freundlicherweise bereitgestellt von Richter Werkzeugbau GmbH — weist ausgepragte Wanddickenübergänge zwischen den Außenwänden, dünnen Rippen und lokal verdickten Rippenkreuzungen auf. Diese Dickenvariationen erzeugen starke Unterschiede im lokalen Fliesswiderstand und der Schmelzgeschwindigkeit, was zu einem charakteristisch ungleichmäßigen Füllverhalten führt. Die beiden Konfigurationen stammen aus einem Benchmark-Datensatz und unterscheiden sich in Material, randomisierter Anschnittkonfiguration und Prozessparametern. Das Modell hat diese Geometrie im Training nicht gesehen.
Einpunkt-Anschnittkonfiguration (Abbildung 2): In dieser Konfiguration — ein einzelner Anschnitt mit einem Polymer und zugehörigen Prozesseinstellungen — sind die Vorhersagen nahezu ununterscheidbar von der Solver-Ausgabe. Füllverlauf, Druckverteilung, Temperaturfelder und Scherratenmuster stimmen über den gesamten Füllzyklus eng überein. Relative Fehler bleiben im größten Teil des Bauteils unter 5%, wobei die Fehlerkarten nur schwache Residualunterschiede zeigen. Dieses Mass an Übereinstimmung zeigt, dass die Forschungsvorschau die Kernphysik der Schmelzeausbreitung, des Druckaufbaus und des Wärmeaustauschs mit hoher Genauigkeit erfasst.
Abbildung 2: Einpunkt-Anschnittkonfiguration für ein Pumpengehäuse (bereitgestellt von Richter Werkzeugbau GmbH). Spalte 1: Ground Truth, Spalte 2: Cadmould AI Solver, Spalte 3: Relative Abweichung.
Zweipunkt-Anschnittkonfiguration mit anderem Material (Abbildung 3): In dieser zweiten Konfiguration — ein anderes Polymer, zwei Anschnittpositionen nahe der inneren Rippen und andere thermische und Fliessrateneinstellungen — wird der Abstand zwischen der Forschungsvorschau und dem numerischen Solver deutlicher. Während Füllverlauf und Scherrate global gut vorhergesagt werden, zeigen die Temperatur- und Druckfehlerkarten strukturierte Abweichungen in Bereichen weit von beiden Anschnittpunkten. Diese Abweichungen sind am ausgepragtesten in merkmalreichen Bereichen, wo zahlreiche Rippen und dünne Abschnitte komplexe lokale Fliesswechselwirkungen erzeugen. Bemerkenswert ist, dass das Gesamtfüllmuster und das globale Verhalten korrekt bleiben — die Fehler sind lokalisiert, nicht systemisch.
Abbildung 3: Zweipunkt-Anschnittkonfiguration mit unterschiedlichen Material- und Prozessparametern für dasselbe Pumpengehäuse. Spalte 1: Ground Truth, Spalte 2: Cadmould AI Solver, Spalte 3: Relative Abweichung.
Allgemeiner beobachten wir über unsere gesamte Testsuite, dass die Mehrheit der Vorhersagen innerhalb enger Fehlergrenzen liegt. Fälle mit höheren lokalisierten Fehlern tendieren dazu, komplexere Fliesswechselwirkungen zu involvieren — wie Mehrfach-Anschnitt-Konfigurationen, verschiedene Materialien oder merkmalreiche Bereiche — wo das Modell wahrscheinlich noch nicht ausreichend Trainingsabdeckung gesehen hat. Über lokalisierte Fehler hinaus können bestimmte geometrische Konfigurationen — insbesondere Bauteile mit feinen Löchern, engen Spalten oder dünnen Rippen — bekannte Fehlermodi auslösen. Wie bei der allgemeinen Modellleistung erwarten wir, dass sich diese Lücken verengen, wenn wir die Trainingsdaten skalieren.
Zukunftsaussichten
Die Beschleunigung allein verändert, was praktisch möglich ist. Aber die Kombination aus drei Eigenschaften — native GPU-Parallelität, auflösungsflexible Dekodierung und volle Differenzierbarkeit — ist mehr als eine inkrementelle Verbesserung. Zusammen schaffen sie eine Simulations-Engine mit grundlegend anderen Eigenschaften: eine, die innerhalb einer einzigen Optimierungsschleife tausende Male aufgerufen werden kann, die Gradienten statt nur Ergebnisse zurückgeben kann, und die nativ auf derselben Hardware läuft wie die KI-Systeme, die zunehmend zur Orchestrierung von Engineering-Workflows eingesetzt werden. Dies eröffnet Möglichkeiten, die in der konventionellen Simulation keine Entsprechung haben.
Gradientenbasierte Optimierung
Klassische Solver sind aus Optimierungsperspektive Black Boxes: Um eine bessere Anschnittposition oder ein besseres Prozessfenster zu finden, erkunden Ingenieure Varianten und bewerten Ergebnisse. Differenzierbarkeit kehrt diese Logik um. Da der Cadmould AI Solver Gradienten der Ausgaben bezüglich der Eingaben berechnen kann, können Ingenieure vom Ziel ausgehen - z.B. Qualitätskriterien, Druckgrenzen - und rückwärts zu den Prozesseinstellungen arbeiten, die es erreichen. Gradientenbasierte Optimierung hat Grenzen. Aber sie verschiebt die Frage von "Lass mich das ausprobieren und schauen was passiert" zu "Zeig mir, was ich ändern muss, um das gewünschte Ergebnis zu erzielen."
Fertigbarkeits-Feedback bereits im Designprozess
Simulation gelangt heute spät in den Workflow — nachdem das Bauteildesign weitgehend finalisiert ist — was zu kostspieligen DFM-Schleifen zwischen Designern und Werkzeugingenieuren führt. Eine Simulation, die schnell genug ist, um interaktiv zu laufen, und intelligent genug, um minimale Expertenkonfiguration zu erfordern, kann diese Schleife vollständig kurzschliessen. Mit Fertigbarkeits-Feedback in Sekunden innerhalb der Designumgebung können Bauteildesigner das Füllverhalten validieren, Bindenähte identifizieren oder Dünnwandrisiken markieren, bevor die Geometrie jemals ihren Arbeitsbereich verlässt.
Breiter betrachtet wird eine Simulations-Engine, die schnell, differenzierbar und per API aufrufbar ist, zu einem natürlichen Baustein für automatisierte Engineering-Workflows - ob angetrieben von Optimierungsalgorithmen, statistischen Versuchsplanungs-Frameworks oder aufkommenden KI-gestützten Prozessketten. Die Eigenschaften, die den Cadmould AI Solver für einen menschlichen Ingenieur in einer interaktiven Schleife nützlich machen, sind dieselben Eigenschaften, die ihn als Rechendienst innerhalb größerer automatisierter oder agentischer Engineering-Pipelines nützlich machen.
Den Regelkreis in der Produktion schließen
Wenn ein laufendes Werkzeug Defekte produziert, ist die Ursache oft mehrdeutig — ein Kurzschuss allein könnte die Anpassung der Schmelzetemperatur, Werkzeugtemperatur oder Einspritzgeschwindigkeit rechtfertigen. Prozesssteuerungssysteme existieren bereits in der Fertigung, aber ihnen fehlt die physikalische Einsicht, um zu identifizieren, welche Korrekturmassnahme am effektivsten sein wird. Ein AI Solver, der schnell genug ist, um Tausende von Parameterkombinationen innerhalb eines einzigen Produktionszyklus zu evaluieren — unter Nutzung der GPU-Parallelität — könnte genau diese Einsicht liefern und Simulation mit der Produktion verbinden. Wenn der Cadmould AI Solver reift und sein Vorhersagebereich sich über die Füllung hinaus auf Schwindung und Verzug erstreckt, wird diese Feedback-Schleife zunehmend handlungsrelevant.
Einschränkungen und Ausblick
Aktueller Umfang
Der Cadmould AI Solver ist eine schnelle Methode zur Durchführung von Spritzgusssimulationen, kein Ersatz für ingenieurtechnisches Urteilsvermögen. Seine Genauigkeit und sein Umfang sind durch die Regimeabdeckung seiner Trainingsdaten begrenzt. Er eignet sich am besten für Design-Iterationen, Prozessoptimierung und Sensitivitätsstudien - Kontexte, in denen schnelles Feedback absolute numerische Präzision überwiegt. Für folgenreiche Designentscheidungen oder regulatorische Validierung sind AI Solver Vorhersagen eine schnelle Möglichkeit, den Suchraum einzugrenzen. Kandidatenergebnisse sollten dann mit konventionellen Solvern oder experimentellen Messungen gegengeprüeft werden.
Aktive Entwicklungsbereiche
Erstarrungstemperatur-Durchsetzung: Die Forschungsvorschau setzt das Einfrierverhalten noch nicht konsistent durch. Für einige Fälle, in denen der numerische Solver Fließzurückhaltung aufgrund von Erstarrung vorhersagt, kann das Modell weiterhin Schmelzeausbreitung in Bereiche vorhersagen, die eigentlich erstarrt sein sollten. Dies zeigt sich am deutlichsten in Dünnwandbereichen mit schneller Abkühlung. Verfeinerungen, die auf dieses Verhalten abzielen, sind in Entwicklung.
Räumliche Auflösung feiner Merkmale: Kleine Löcher, enge Spalte und feine Rippen können von der vorhergesagten Schmelzefront umgangen werden. Anstatt Zurückhaltung oder Blockierung an diesen Merkmalen genau aufzulösen, erlaubt das Modell manchmal, dass die Strömung über geometrisch eingeschränkte Bereiche "springt". Wir erwarten hier signifikante Verbesserungen, wenn wir die Trainingsdaten skalieren und die räumliche Kodierung verfeinern, konsistent mit beobachteten neuronalen Skalierungsgesetzen.
Figure 4: Complex failure case for a pallet geometry. Column 1: Ground truth, Column 2: Cadmould's AI Solver results, Column 3: Relative Difference
Artefakte der interaktiven Forschungsvorschau:Die öffentlich verfügbare interaktive Forschungsvorschau ist eine leistungsstarke Demonstration der aktuellen Fähigkeiten des Modells, und wir verfolgen aktiv verbleibende Probleme, während wir den Cadmould AI Solver weiter verbessern. Gelegentlich übernimmt die Simulation eine zu konservative Abschlussschwelle, hält kurz vor dem letzten Füllschritt an und meldet eine unvollständige Füllung, selbst wenn eine vollständige Füllung unmittelbar bevorsteht. Benutzer könnten auch geringfügige, vorübergehende visuelle Anomalien bemerken, wie kleine Luftblasen, die kurzzeitig in lokalisierten Bereichen erscheinen.
Wie bei der allgemeinen Modellleistung erwarten wir signifikante Verbesserungen beim Einfrierverhalten und der erlernten räumlichen Kodierungsauflösung, wenn wir die Trainingsdaten gemäß den beobachteten neuronalen Skalierungsgesetzen erweitern.
Ausblick
Die aktuelle Forschungsvorschau demonstriert zuverlässige Vorhersagen für die Füllphase. Die Entwicklung läuft, um den Cadmould AI Solver auf Schwindungs- und Verzugsvorhersage zu erweitern - was eine ultraschnelle Bewertung der Masshaltigkeit und Bauteilqualität ermöglicht. Architektonische Verfeinerungen, die auf die oben beschriebenen Entwicklungsbereiche abzielen, schreiten voran. Wir erwarten, dass das beobachtete Skalierungsverhalten anhält: mehr Daten, breitere Regimeabdeckung und verbesserte räumliche Kodierung werden die Lücke zu konventionellen Solvern progressiv schliessen.
Probieren Sie es selbst aus
Interaktive Forschungsvorschau: Auf unserer Website bieten wir eine Live-Weboberfläche, auf der Benutzer aus Beispielgeometrien auswählen können, die das Modell im Training nicht gesehen hat (einschließlich des oben gezeigten Pumpengehäuses). Benutzer können Anschnittpositionen ändern, Materialeigenschaften und Prozessparameter anpassen und Simulationen mit dem Cadmould AI Solver in Echtzeit durchführen. Ergebnisse können interaktiv im Browser betrachtet werden, was eine praktische Erkundung des Modellverhaltens über den Parameterraum ermöglicht.
Benchmark-Datensatz: Wir stellen auch einen strukturierten Evaluierungsdatensatz bereit, der eine Referenzgeometrie mit vollständiger Spezifikation von Materialien, Prozessbedingungen, Cadmould AI Solver Lösungen und numerisch generierten Ground-Truth-Daten enthält. Für Benutzer unserer kommerziellen Solver-Software stellen wir ausführungsbereite Projektdateien für einen direkten Vergleich bereit.
Machen Sie mit
Der Community beitreten
Wir laden Forscher, Ingenieure und Industriepraktiker ein, den Cadmould AI Solver auf Herz und Nieren zu prüfen, Fehlermodi zu identifizieren und Feedback zu teilen. Diese kollaborative Validierung wird direkt die nächste Entwicklungsphase informieren und helfen, gemeinsame Benchmarks für neuronale Physik-Solver in der Spritzgusssimulation zu etablieren.
Early-Access-Partnerprogramm
Für Unternehmen, die an frühzeitigem Zugang zu neuen Funktionen, Co-Validierung an proprietären Geometrien und direktem Input in die Produktentwicklung interessiert sind, bieten wir ein dediziertes Partnerprogramm. Partner erhalten prioritären Zugang zu kommenden AI-Solver-Funktionen, arbeiten am Benchmarking gegen ihre eigenen Bauteile und Workflows mit und helfen, die Produkt-Roadmap zu gestalten. Wenn dies für Ihre Organisation relevant ist, kontaktieren Sie unser Team.
Der Cadmould AI Solver wird von SIMCON in Zusammenarbeit mit Emmi AI entwickelt und kombiniert Simcons tiefe Domänenexpertise und reichhaltige Daten zur Kunststoffspritzgusssimulation mit Emmi AIs Expertise in skalierbarer LEM-Architektur und -Training.
Mehr über den Cadmould AI Solver erfahren
Testen Sie den Cadmould AI Solver
Führen Sie den Cadmould AI Solver direkt in Ihrem Browser aus, um Füllung, Druck und Scherraten in Sekunden zu visualisieren. Keine Installation erforderlich.
Benchmark-Geometrien erkunden
Sehen Sie, wie die Engine komplexe, unbekannte Topologien generalisiert. Prüfen Sie die Validierungsfälle, die die Genauigkeit des Modells belegen.
AI Solver Partnerprogramm
Treten Sie dem Cadmould AI Solver Partnerprogramm bei, um benutzerdefinierte Geometrien freizuschalten und Zugang zu den neuesten Funktionen zu erhalten.
Fragen zum Cadmould AI Solver?
Wir sind bereit, sie zu beantworten
Der Cadmould AI Solver repräsentiert den neuesten Stand der Geschwindigkeit, aber Sie haben vielleicht schon heute unmittelbare Produktionsanforderungen. Ob Sie sich für das Partnerprogramm interessieren oder die bewährte, hochpräzise Validierung von Cadmould Flex benötigen – lassen Sie uns den richtigen Weg für Ihr Engineering-Team besprechen.
