Godela
Physics engine AI: memampatkan simulasi yang butuh berhari-hari menjadi hitungan detik
Godela adalah perusahaan lulusan batch musim semi 2025 (X25) Y Combinator, yang membuat physics engine AI dengan tujuan menggantikan simulasi dan prototipe fisik yang lambat serta mahal dalam keseharian para insinyur.
Fitur dan Skenario Penggunaan
Caranya adalah mempelajari hukum fisika dari data simulasi dan membangun physics-constrained models; menurut klaim resmi, ia bisa memberi hasil dalam hitungan detik dengan akurasi setara solver, bukan berhari-hari seperti cara tradisional. Insinyur bisa mengajukan pertanyaan hipotetis dengan bahasa alami, juga mengunggah file CAD atau data eksperimen agar sistem otomatis mengoptimalkan konfigurasi lintas banyak parameter. Skenario penerapannya mencakup optimasi pendinginan pusat data, simulasi termal produk elektronik, prediksi desain aerodinamika, desain medan elektromagnetik, dan analisis tegangan struktur. Alur kerjanya: mengunggah data simulasi, melatih model AI, mengeksplorasi variasi desain, mengoptimalkan konfigurasi. Timnya terdiri dari fisikawan dan peneliti machine learning berlatar Stanford dan MIT; para co-founder-nya masing-masing berasal dari Apple, Google, Harvard, dan Intel; perusahaan berlokasi di San Francisco dengan sekitar 10 orang saat ini.
Cocok untuk insinyur dan tim riset di bidang manajemen termal, elektronik, aerodinamika, elektromagnetik, dan desain struktur. Harga tak dipublikasikan; situs resminya membuka pendaftaran pilot (Request a Pilot) lewat Calendly.
Fungsi Utama
- Model terbatas (constrained) yang mempelajari hukum fisika dari data simulasi
- Akurasi setara solver, respons dalam hitungan detik
- Mengajukan skenario hipotetis dengan bahasa alami
- Membangun model dari file CAD atau data eksperimen
- Optimasi konfigurasi otomatis lintas banyak parameter
- Mencakup banyak domain fisika: termal, fluida, elektromagnetik, dan struktur
Penggunaan Umum
- Pembandingan cepat tata letak rak dan solusi pendinginan pusat data
- Simulasi termal produk elektronik pada beragam kondisi operasi
- Sapuan parameter desain bentuk aerodinamika
- Prediksi tegangan komponen struktur pada berbagai beban
Fitur Utama
- Model terbatas (constrained) yang mempelajari hukum fisika dari data simulasi
- Akurasi setara solver, respons dalam hitungan detik
- Mengajukan skenario hipotetis dengan bahasa alami
- Membangun model dari file CAD atau data eksperimen
- Optimasi konfigurasi otomatis lintas banyak parameter
- Mencakup banyak domain fisika: termal, fluida, elektromagnetik, dan struktur
Kelebihan
- Menyasar waktu tunggu yang paling menyakitkan dalam simulasi CAE, proposisi nilainya sangat langsung
- Latar belakang tim kuat, memadukan fisika dan machine learning
- Bisa mengeksplorasi ruang desain dengan bahasa alami, menurunkan ambang pemakaian alat simulasi
Kekurangan
- Masih tahap awal (tim sekitar 10 orang), kematangan lingkungan produksi masih perlu dibuktikan
- Perlu punya data simulasi yang sudah ada untuk melatih, ambang cold start-nya tinggi
- Klaim akurasi perlu diuji langsung pada kasus sendiri, jangan ditelan bulat-bulat
Contoh Penggunaan
- Pembandingan cepat tata letak rak dan solusi pendinginan pusat data
- Simulasi termal produk elektronik pada beragam kondisi operasi
- Sapuan parameter desain bentuk aerodinamika
- Prediksi tegangan komponen struktur pada berbagai beban
Catatan Editor
Kawan-kawan saya di semikonduktor dan modul pendinginan langsung berbinar mendengar 'simulasi dari berhari-hari jadi hitungan detik'—siklus desain di bidang ini memang tersandera menunggu solver. Tapi saya harus menyiram sedikit air dingin: model semacam ini jago interpolasi, payah ekstrapolasi; untuk kondisi operasi yang tak tercakup data pelatihan, ia tetap akan memberi Anda jawaban salah yang terlihat sangat meyakinkan. Bagus dipakai sebagai alat penyaringan, tetapi berbahaya kalau dipakai sebagai validasi akhir.
FAQ
Bisakah sepenuhnya menggantikan solver CAE tradisional?
Untuk saat ini tidak. Posisinya adalah mengeksplorasi banyak alternatif dengan cepat di tahap awal desain, menyaring segelintir opsi yang menjanjikan, sedangkan validasi akhir tetap harus kembali ke solver tradisional. Pembagian tugas 'penyaringan cepat plus validasi akurat' inilah pemakaian yang realistis.
Data apa yang perlu disiapkan?
Perlu data simulasi atau data eksperimen yang sudah ada untuk melatih model. Di sinilah ambangnya—kalau perusahaan tak pernah mengumpulkan hasil simulasi yang terstruktur, cold start-nya akan cukup berat.
Apakah manufaktur Indonesia bisa memakainya?
Bisa, dan nilai potensialnya tak kecil. Industri manufaktur elektronik dan modul pendinginan punya kebutuhan simulasi termal yang padat, sehingga manfaat pemampatan siklus desain sangat langsung. Namun saat ini masih tahap pendaftaran pilot, jadi sebaiknya diamati dulu.
