Simulation jusqu'à 1000× la vitesse des solveurs conventionnels
La simulation de moulage par injection est un problème multiphysique fortement couple. Le polymere fondu s'ecoule a travers des géométries complexes, echange de la chaleur avec les parois du moule et se propage sous pression a travers des sections transversales variables. La modelisation précise de ces dynamiques nécessité la résolution de l'interdependance entre géométrie, rheologie du materiau et conditions de processus dans l'espace et le temps.
Pendant des decennies, les solveurs par éléments finis et volumes finis ont été la seule option. Ils offrent une précision etablie - mais a un coût de calcul significatif. Une seule exécution de simulation peut prendre des heures et une étude complète de plans d'expériences peut s'etendre sur des jours. Cette intensité de calcul créé un goulot d'étranglement fondamental : elle restreint le nombre de variantes evaluees, ce qui contraint a son tour l'optimisation. Il en resulte des solutions d'ingénierie qui sont juste "suffisantes", avec de nombreuses ameliorations potentielles inexplorees.
Aujourd'hui, nous présentons le premier grand modèle d'ingénierie pour le moulage par injection — un modèle transformer pre-entraîné qui apprend la physique generalisable a partir de données de simulation a grande échelle pour remplacer les solveurs conventionnels par des prédictions en temps réel et physiquement précises. En collaboration avec nos partenaires d'EMMI AI, nous avons enseigne a ce modèle la physique de le moulage par injection — avec une fidélité comparable aux solveurs classiques, mais jusqu'a trois ordres de grandeur (1000x) plus rapide.
L'aperçu de recherche que nous publions aujourd'hui couvre l'étape de remplissage — la propagation du front de matiere fondue a travers la cavite — et prédit des champs spatio-temporels complets : progression du remplissage, pression, température et taux de cisaillement. Le modèle est en cours de développement et nous etendons ses capacités chaque jour. Conformement aux lois de mise a l'échelle bien connues, sa fidélité et sa portee augmentent avec les données d'entraînement et la puissance de calcul deployee. Nous publierons d'autres versions du modèle a l'avenir.
En plus d'une vitesse supérieure, le nouveau moteur possède des propriétés novatrices utiles, telles que la differentiabilite complète, le parallelisme GPU natif et une sortie flexible en résolution. Ces capacités completent notre solveur classique pour ouvrir des flux de travail entièrement nouveaux qui étaient auparavant soit prohibitifs en termes de calcul, soit tout simplement impossibles — comme le retour en quasi-temps réel sur les modifications de conception, les méthodes d'optimisation basées sur les gradients et l'intégration pratique dans des flux de travail agentiques de conception pour la fabrication.
Méthodologie
Construire un solveur neuronal pour le moulage par injection n'est pas un simple problème d'apprentissage supervise. Trois défis imbriques font echouer les approches naives - et chacun a faconne la conception du Cadmould AI Solver.
Figure 1 : Architecture basée sur les transformers permettant une accélération jusqu'à 1000× par rapport aux solveurs conventionnels.
Codage de la diversite géométrique : Les pièces industrielles vont des biens de consommation planaires aux boitiers complexes avec parois minces, nervures et contre-depouilles. Tout modèle viable doit generaliser a travers cette diversite topologique sans s'appuyer sur des topologies de maillage fixes ou des resolutions d'entrée. Le Cadmould AI Solver y répond par une étape de codage indépendante de la résolution : la géométrie d'entrée, les definitions de seuil d'injection, les propriétés des materiaux et les paramètres de processus sont transformes en une representation interne compacte qui capture uniformement les pièces de benchmark simples et les grandes géométries industrielles. Le codage est robuste face aux différences de densité de maillage, de conditions aux limites et de complexité des caractéristiques.
Résolution de la physique couplee : Le processus de remplissage implique des phénomènes de transport interagissant - masse, quantite de mouvement et énergie - regis par la viscosité dependante de la température et les conditions aux limites thermiques. Ces interactions couvrent des échelles : des motifs d'écoulement macroscopiques aux effets locaux comme l'hesitation dans les sections minces ou le suivi preferentiel dans les régions d'épaisseur variable. Le Cadmould AI Solver fait evoluer l'état physique dans un espace latent appris optimise pour l'efficacité de calcul. Les objectifs d'entraînement imposent non seulement une précision pas a pas mais aussi une stabilité a long horizon, refletant l'évolution non lineaire des champs thermomecaniques sous des paramètres d'injection variables.
Prédiction de l'évolution temporelle sans derive : Le système est inheremment dynamique. Les erreurs dans les premiers pas de temps peuvent se cumuler, causant la divergence des prédictions par rapport au comportement physique sur le cycle de remplissage. Pour contrecarrer cela, le Cadmould AI Solver utilisé un entraînement supervise sur des données haute fidélité, densement echantillonnees a partir d'un solveur numérique. En penalisant les écarts de prédiction a chaque pas de temps individuel, le modèle est guide vers la coherence de trajectoire, garantissant que les simulations a long terme restent ancrees aux lois physiques.
L'architecture sous-jacente suit une conception basée sur les Transformers qui opere dans un espace latent compresse, permettant au modèle de s'adapter a des géométries industrielles complexes tout en maintenant une inference rapide. A l'étape de decodage, les champs physiques — fraction de remplissage, pression, température, taux de cisaillement — sont predits a des coordonnees spatio-temporelles specifiees par l'utilisateur. Le même modèle prend en charge a la fois le screening rapide a basse résolution et le calcul détaillé de champs a haute résolution. Fait important, l'ensemble du pipeline est entièrement differentiable — une propriété sur laquelle nous revenons ci-dessous.
Entraînement
Le Cadmould AI Solver est entraîné sur des jeux de données propriétaires construits par nos ingénieurs en plasturgie et en apprentissage automatique, et les performances sont validees par rapport a des solveurs numériques de qualité production. Le corpus d'entraînement couvre des familles de géométries synthetiques et des pièces industrielles réelles, couvrant systematiquement les configurations de seuil d'injection, les paramètres de processus (debits, températures du moule) et les comportements varies des materiaux polymeres. Des perturbations controlees des paramètres géométriques et de processus sont introduites pendant l'entraînement pour garantir des réponses physiquement coherentes et stables aux modifications d'ingénierie - comme le deplacement des seuils d'injection ou l'ajustement de l'épaisseur des parois.
Le jeu de données actuel comprend des centaines de teraoctets de simulations de moulage par injection. L'aperçu de recherche a été entraîné sur un sous-ensemble de ces données et nous etendons activement le jeu de données au fur et a mesure de nos progres dans le développement du modèle.
Protection des données dès la conception
Une préoccupation courante avec les modèles neuronaux est la fuite de données : le modèle peut-il reproduire des informations propriétaires de ses données d'entraînement ? Cette préoccupation est faconnee par l'expérience avec les modèles generatifs qui peuvent produire du texte, des images ou du code propriétaires — des domaines ou les données d'entraînement peuvent apparaître textuellement dans les sorties.
Le Cadmould AI Solver est architecturalement différent. Ses sorties sont des champs physiques : pression, température, fraction de remplissage dans l'espace et le temps. Les actifs propriétaires - géométries de pièces, formulations de materiaux, recettes de processus - n'apparaissent que comme entrées du modèle. Le modèle ne peut pas générer de géométries ou de specifications de processus car celles-ci ne sont tout simplement pas dans son domaine de sortie. Ce que le Cadmould AI Solver apprend est un mappage des conditions aux limites vers le comportement physique. Une haute précision sur une nouvelle pièce indique que des physiques similaires étaient representees pendant l'entraînement - pas qu'une géométrie particuliere a été memorisee.
Résultats
We evaluated the research preview of Cadmould's AI Solver against production-grade numerical solvers on held-out géométries spanning simple consumer parts to complex industrial components.
Vitesse de calcul
Sur l'ensemble de notre suite de tests, le modèle d'aperçu de recherche atteint des accelerations typiques de 500 — 1000x par rapport a la simulation conventionnelle par éléments finis. L'accélération spécifique varie fortement avec la résolution du maillage, la complexité du materiau, la géométrie de la pièce et le materiel informatique. Cependant, la ou le temps de calcul des solutions numériques variait de minutes a heures, le AI Solver n'a jamais pris plus de quelques secondes.
Pour ce benchmark, les executions du solveur numérique ont été effectuees sur notre cluster HPC utilisant deux CPU AMD EPYC 9J14 par simulation ; les prédictions du Cadmould AI Solver ont été generees sur un seul GPU NVIDIA A100. Cependant, le modèle est compatible avec les architectures GPU actuelles et de prochaine generation et a egalement été entraîné sur du materiel NVIDIA H100.
Performance globale
Le modèle performe de manière robuste sur divers objectifs de prédiction, c'est-a-dire les prédictions au niveau de le seuil d'injection et des champs nodaux, produisant des erreurs relatives predominamment a un chiffre, accompagnees d'erreurs localisees dans la plage a deux chiffres.
Bien que la plupart des prédictions soient tres précises, des caractéristiques géométriques complexes et des configurations exigeantes peuvent encore induire des erreurs localisees élevées. Ces phénomènes sont détaillés ci-dessous a travers des exemples illustratifs. Pour attenuer ces limitations actuelles, les futures itérations du modèle sont en développement actif. Un objectif principal de ce travail en cours est la mise a l'échelle significative du jeu de données d'entraînement pour cibler spécifiquement les cas limites exigeants.
Nous soulignons a nouveau que la demo interactive fournie sert d'aperçu de recherche ; la capacité du modèle est activement mise a l'échelle en parallele avec des jeux de données elargis.
Tous les résultats présentés a partir de ce point sont hors distribution : le modèle n'a jamais vu ces géométries pendant l'entraînement. Pour chaque cas de test, nous comparons les prédictions sur quatre champs physiques — progression du remplissage, pression, température et taux de cisaillement — accompagnees de cartes de l'erreur relative.
Exemple concret sur une pièce industrielle réelle
Nous examinons une seule pièce sous deux configurations différentes pour illustrer comment les prédictions se comportent en pratique. La géométrie du carter de pompe — aimablement fournie par Richter Werkzeugbau GmbH — présente des transitions d'épaisseur de paroi prononcees entre les parois exterieures, les nervures minces et les jonctions de nervures localement epaissies. Ces variations d'épaisseur créent de fortes différences de resistance locale a l'écoulement et de vitesse de la matiere fondue, conduisant a un comportement de remplissage non uniforme caractéristique. Les deux configurations sont tirees d'un jeu de données de benchmark et différent par le materiau, la configuration de seuil d'injection randomisee et les paramètres de processus. Le modèle n'a pas vu cette géométrie pendant l'entraînement.
Configuration a seuil d'injection unique (Figure 2) : Dans cette configuration — une seule seuil d'injection avec un polymere et des reglages de processus associes — les prédictions sont presque indiscernables de la sortie du solveur. La progression du remplissage, la distribution de pression, les champs de température et les schemas de taux de cisaillement s'alignent etroitement sur l'ensemble du cycle de remplissage. Les erreurs relatives restent en dessous de 5% dans la plupart de la pièce, les cartes d'erreur ne montrant que de faibles différences residuelles. Ce niveau de concordance demontre que l'aperçu de recherche capture la physique fondamentale de la propagation de la matiere fondue, de l'accumulation de pression et de l'echange thermique avec une haute fidélité.
Figure 2 : Configuration à seuil d'injection unique pour un carter de pompe (fourni par Richter Werkzeugbau GmbH). Colonne 1 : Vérité terrain, Colonne 2 : Cadmould AI Solver, Colonne 3 : Différence relative.
Configuration a double seuil d'injection avec materiau différent (Figure 3) : Dans cette seconde configuration — un polymere différent, deux positions de seuil d'injection pres des nervures interieures et des reglages thermiques et de debit différents — l'écart entre l'aperçu de recherche et le solveur numérique devient plus apparent. Bien que la progression du remplissage et le taux de cisaillement restent bien predits globalement, les cartes d'erreur de température et de pression revelent des écarts structures dans les régions eloignees des deux seuils d'injection. Ces écarts sont plus prononces dans les zones riches en details, ou de nombreuses nervures et sections minces créent des interactions d'écoulement locales complexes. Fait notable, le schema de remplissage global et le comportement général restent corrects — les erreurs sont localisees plutôt que systemiques.
Figure 3 : Configuration à double seuil d'injection avec différents paramètres de matériau et de processus pour le même carter de pompe. Colonne 1 : Vérité terrain, Colonne 2 : Cadmould AI Solver, Colonne 3 : Différence relative.
Plus généralement, nous observons sur l'ensemble de notre suite de tests que la majorite des prédictions se situent dans des limites d'erreur etroites. Les cas avec des erreurs localisees plus élevées tendent a impliquer des interactions d'écoulement plus complexes — comme les configurations multi-seuils d'injection, différents materiaux ou les régions riches en details — ou le modèle n'a probablement pas encore vu une couverture d'entraînement suffisante. Au-dela des erreurs localisees, certaines configurations géométriques — en particulier les pièces avec de petits trous, des espaces etroits ou des nervures fines — peuvent declencher des modes de defaillance connus. Comme pour les performances generales du modèle, nous prevoyons que ces écarts se reduiront a mesure que nous augmenterons les données d'entraînement.
Implications futures
L'accélération seule change ce qui est pratiquement possible. Mais la combinaison de trois propriétés — parallelisme GPU natif, decodage flexible en résolution et differentiabilite complète — est plus qu'une amelioration incrementale. Ensemble, elles créent un moteur de simulation aux caractéristiques fondamentalement différentes : un moteur qui peut être appele des milliers de fois dans une seule boucle d'optimisation, qui peut renvoyer des gradients plutôt que de simples sorties, et qui fonctionne nativement sur le même materiel que les systèmes d'IA de plus en plus utilises pour orchestrer les flux de travail d'ingénierie. Cela ouvre des possibilités sans équivalent dans la simulation conventionnelle.
Optimisation basée sur les gradients
Les solveurs classiques sont des boites noires du point de vue de l'optimisation : pour trouver un meilleur emplacement de seuil d'injection ou une meilleure fenetre de processus, les ingénieurs explorent des variantes et evaluent les résultats. La differentiabilite inverse cette logique. Parce que le Cadmould AI Solver peut calculer les gradients des sorties par rapport aux entrées, les ingénieurs peuvent partir de la cible - par ex. critères de qualité, limites de pression - et remonter vers les paramètres de processus qui l'atteignent. L'optimisation basée sur les gradients a ses limites. Mais elle transformé la question de "laissez-moi essayer ceci et voir ce qui se passe" en "montrez-moi ce qu'il faut changer pour obtenir le résultat dont j'ai besoin."
Retour sur la fabricabilité dès la phase de conception
La simulation entre aujourd'hui tardivement dans le flux de travail — apres que la conception de la pièce est largement finalisee — entrainant des boucles DFM couteuses entre les concepteurs et les ingénieurs d'outillage. Une simulation assez rapide pour fonctionner de manière interactive et assez intelligente pour necessiter une configuration experte minimale peut court-circuiter completement cette boucle. Avec un retour sur la fabricabilite disponible en secondes dans l'environnement de conception, les concepteurs de pièces peuvent valider le comportement de remplissage, identifier les lignes de soudure ou signaler les risques de parois minces avant que la géométrie ne quitte jamais leur espace de travail.
Plus largement, un moteur de simulation rapide, differentiable et appelable par API devient un composant naturel pour les flux de travail d'ingénierie automatises - qu'ils soient pilotes par des algorithmes d'optimisation, des cadres de plans d'expériences ou des chaînes de processus emergentes assistees par IA. Les propriétés qui rendent le Cadmould AI Solver utile a un ingénieur humain dans une boucle interactive sont les mêmes propriétés qui le rendent utile en tant que service de calcul au sein de pipelines d'ingénierie automatises ou agentiques plus larges.
Boucler la boucle sur le site de production
Lorsqu'un moule en fonctionnement produit des défauts, la cause profonde est souvent ambigue — un coup court seul pourrait justifier l'ajustement de la température de la matiere, la température du moule ou la vitesse d'injection. Des systèmes de contrôle de processus existent déjà en atelier, mais ils manquent de l'aperçu physique pour identifier quelle action corrective sera la plus efficace. Un solveur IA assez rapide pour évaluer des milliers de combinaisons de paramètres au sein d'un seul cycle de production — en tirant parti du parallelisme GPU — pourrait fournir exactement cette perspicacite. A mesure que le Cadmould AI Solver murit et que son champ de prédiction s'etend au-dela du remplissage au retrait et au gauchissement, cette boucle de retour devient de plus en plus exploitable.
Limites et perspectives
Portée actuelle
Le Cadmould AI Solver est une méthode rapide pour exécuter des simulations de moulage par injection, pas un remplacement du jugement d'ingénierie. Sa précision et sa portee sont limitees par la couverture des regimes de ses données d'entraînement. Il convient le mieux a l'itération de conception, l'optimisation de processus et les études de sensibilite - des contextes ou un retour rapide l'emporte sur la précision numérique absolue. Pour les décisions de conception a haute consequence ou la validation reglementaire, les prédictions du AI Solver sont un moyen rapide de réduire l'espace de recherche. Les résultats candidats doivent ensuite être contre-verifies avec des solveurs conventionnels ou des mesures experimentales.
Domaines de développement actifs
Application de la température de gel : L'aperçu de recherche n'applique pas encore de manière coherente le comportement de gel. Pour certains cas ou le solveur numérique prédit une hesitation d'écoulement due a la solidification, le modèle peut continuer a prédire la propagation de la matiere fondue dans des régions qui devraient être gelees. Cela est plus évident dans les sections a parois minces avec un refroidissement rapide. Des raffinements ciblant ce comportement sont en développement.
Résolution spatiale des details fins : Les petits trous, les espaces etroits et les nervures fines peuvent être contournes par le front de matiere fondue prédit. Au lieu de résoudre precisement l'hesitation ou le blocage a ces caractéristiques, le modèle permet parfois a l'écoulement de "sauter" a travers des régions geometriquement contraintes. Nous attendons une amelioration significative ici a mesure que nous augmentons les données d'entraînement et affinons l'encodage spatial, conformement aux lois de mise a l'échelle neuronales observees.
Figure 4: Complex failure case for a pallet geometry. Column 1: Ground truth, Column 2: Cadmould's AI Solver results, Column 3: Relative Différence
Artefacts de l'aperçu de recherche interactif :L'aperçu de recherche interactif en direct publiquement disponible est une demonstration puissante des capacités actuelles du modèle et nous suivons activement les problèmes restants alors que nous continuons a ameliorer le Cadmould AI Solver. Occasionnellement, la simulation adopte un seuil d'achevement trop conservateur, s'arretant juste avant la dernière étape de remplissage et signalant un remplissage incomplet, même lorsqu'un remplissage complet est imminent. Les utilisateurs peuvent egalement remarquer des anomalies visuelles mineures et transitoires, telles que de petites bulles d'air apparaissant brievement dans des zones localisees.
Comme pour les performances generales du modèle, nous attendons une amelioration significative du comportement de gel et de la résolution d'encodage spatial apprise a mesure que nous augmentons les données d'entraînement conformement aux lois de mise a l'échelle neuronales observees.
Perspectives
L'aperçu de recherche actuel demontre des prédictions fiables pour l'étape de remplissage. Le développement est en cours pour etendre le Cadmould AI Solver a la prédiction du retrait et du gauchissement - permettant une évaluation ultra-rapide de la stabilité dimensionnelle et de la qualité des pièces. Les raffinements architecturaux ciblant les domaines de développement decrits ci-dessus progressent. Nous prevoyons que le comportement de mise a l'échelle observe se poursuive : plus de données, une couverture de regime plus large et un encodage spatial ameliore combleront progressivement l'écart avec les solveurs conventionnels.
Essayez par vous-même
Aperçu de recherche interactif : Sur notre site web, nous fournissons une interface web en direct ou les utilisateurs peuvent selectionner parmi des géométries d'exemple que le modèle n'a pas vues pendant l'entraînement (y compris le carter de pompe montre ci-dessus). Les utilisateurs peuvent modifier les emplacements de seuil d'injection, ajuster les propriétés des materiaux et les paramètres de processus, et exécuter des simulations du Cadmould AI Solver en temps réel. Les résultats peuvent être visualises de manière interactive dans le navigateur, permettant une exploration pratique du comportement du modèle a travers l'espace des paramètres.
Jeu de données de benchmark : Nous fournissons egalement un ensemble d'évaluation structure contenant une géométrie de reference avec specification complète des materiaux, conditions de processus, solutions du Cadmould AI Solver et vérité terrain générée par le solveur numérique. Pour les utilisateurs de notre logiciel de solveur commercial, nous fournissons des fichiers de projet prets a l'emploi pour une comparaison directe cote a cote.
Participez
Rejoindre la communauté
Nous invitons les chercheurs, les ingénieurs et les praticiens de l'industrie a tester de manière approfondie le Cadmould AI Solver, a identifier les modes de defaillance et a partager leurs retours. Cette validation collaborative informera directement la prochaine phase de développement et aidera a etablir des benchmarks partages pour les solveurs de physique neuronaux dans la simulation de moulage par injection.
Programme partenaire Early Access
Pour les entreprises interessees par un accès anticipe aux nouvelles fonctionnalites, la co-validation sur des géométries propriétaires et un apport direct dans le développement du produit, nous proposons un programme de partenariat dedie. Les partenaires beneficient d'un accès prioritaire aux fonctionnalites a venir du solveur IA, collaborent au benchmarking sur leurs propres pièces et flux de travail, et contribuent a faconner la feuille de route produit. Si cela est pertinent pour votre organisation, contactez notre équipe.
Le Cadmould AI Solver est développé par SIMCON en collaboration avec Emmi AI, combinant l'expertise approfondie de SIMCON et ses riches données sur la simulation de moulage par injection avec l'expertise d'Emmi AI en architecture et entraînement LEM evolutifs.
En savoir plus sur le Cadmould AI Solver
Essayez le Cadmould AI Solver
Exécutez le Cadmould AI Solver directement dans votre navigateur pour visualiser le remplissage, la pression et les taux de cisaillement en quelques secondes. Aucune installation requise.
Explorer les géométries de référence
Voyez comment le moteur généralise des topologies complexes et inédites. Examinez les cas de validation utilisés pour prouver la précision du modèle.
Programme partenaire AI Solver
Rejoignez le programme partenaire Cadmould AI Solver pour débloquer des géométries personnalisées et accéder aux dernières fonctionnalités.
Questions sur le Cadmould AI Solver ?
Nous sommes prêts à y répondre
Le Cadmould AI Solver représente la pointe de la vitesse, mais vous avez peut-être des besoins de production immédiats dès aujourd'hui. Que vous souhaitiez rejoindre le programme partenaire ou ayez besoin de la validation éprouvée et haute fidélité de Cadmould Flex, discutons de la bonne voie pour votre équipe d'ingénierie.
