Godela

เอนจินฟิสิกส์ AI บีบการจำลองที่ต้องรันหลายวันให้เหลือไม่กี่วินาที

Contact for pricing United States

Godela เป็นบริษัทจากรุ่น Y Combinator ฤดูใบไม้ผลิ 2025 (X25) ทำเอนจินฟิสิกส์ AI มีเป้าหมายแทนที่การจำลองและต้นแบบจริงที่ทั้งช้าและแพงในงานประจำวันของวิศวกร

คุณสมบัติเด่นและสถานการณ์การใช้งาน

วิธีการคือเรียนรู้กฎฟิสิกส์จากข้อมูลการจำลอง สร้างโมเดลที่ถูกจำกัดด้วยฟิสิกส์ (physics-constrained models) ทางบริษัทอ้างว่าให้ผลลัพธ์ในไม่กี่วินาทีด้วยความแม่นยำระดับ solver แทนที่จะเป็นหลายวันแบบดั้งเดิม วิศวกรถามคำถามสมมติด้วยภาษาธรรมชาติได้ และอัปโหลดไฟล์ CAD หรือข้อมูลการทดลอง ให้ระบบปรับการตั้งค่าให้เหมาะที่สุดโดยอัตโนมัติข้ามหลายพารามิเตอร์ สถานการณ์การใช้งานครอบคลุมการปรับการระบายความร้อนของ data center การจำลองความร้อนของผลิตภัณฑ์อิเล็กทรอนิกส์ การพยากรณ์การออกแบบอากาศพลศาสตร์ การออกแบบสนามแม่เหล็กไฟฟ้า และการวิเคราะห์ความเค้นเชิงโครงสร้าง เวิร์กโฟลว์คืออัปโหลดข้อมูลการจำลอง ฝึกโมเดล AI สำรวจการเปลี่ยนแปลงของแบบ ปรับการตั้งค่าให้เหมาะที่สุด ทีมประกอบด้วยนักฟิสิกส์และนักวิจัย machine learning ที่มีพื้นเพจาก Stanford และ MIT ผู้ร่วมก่อตั้งมาจาก Apple, Google, Harvard และ Intel บริษัทตั้งอยู่ที่ San Francisco ปัจจุบันมีราว 10 คน

เหมาะกับวิศวกรและทีมวิจัยพัฒนาในด้านการจัดการความร้อน อิเล็กทรอนิกส์ อากาศพลศาสตร์ แม่เหล็กไฟฟ้า และการออกแบบโครงสร้าง ราคาไม่เปิดเผย เว็บไซต์ทางการเปิดรับสมัครโครงการนำร่อง (Request a Pilot) ผ่าน Calendly

ฟังก์ชันหลัก

โมเดลที่ถูกจำกัดด้วยฟิสิกส์ เรียนรู้กฎฟิสิกส์จากข้อมูลการจำลอง
ความแม่นยำระดับ solver ตอบสนองในระดับวินาที
ตั้งคำถามสถานการณ์สมมติด้วยภาษาธรรมชาติ
อัปโหลดไฟล์ CAD หรือข้อมูลการทดลองมาสร้างโมเดล
ปรับการตั้งค่าให้เหมาะที่สุดอัตโนมัติข้ามหลายพารามิเตอร์
ครอบคลุมหลายสาขาฟิสิกส์ ทั้งความร้อน ของไหล แม่เหล็กไฟฟ้า และโครงสร้าง

การใช้งานที่พบบ่อย

การเปรียบเทียบผังตู้แร็คและแนวทางระบายความร้อนของ data center อย่างรวดเร็ว
การจำลองความร้อนของผลิตภัณฑ์อิเล็กทรอนิกส์ในสภาวะทำงานต่างๆ
การสแกนพารามิเตอร์การออกแบบของรูปทรงอากาศพลศาสตร์
การพยากรณ์ความเค้นของชิ้นส่วนโครงสร้างภายใต้ภาระหลายแบบ

ฟีเจอร์เด่น

โมเดลที่ถูกจำกัดด้วยฟิสิกส์ เรียนรู้กฎฟิสิกส์จากข้อมูลการจำลอง
ความแม่นยำระดับ solver ตอบสนองในระดับวินาที
ตั้งคำถามสถานการณ์สมมติด้วยภาษาธรรมชาติ
อัปโหลดไฟล์ CAD หรือข้อมูลการทดลองมาสร้างโมเดล
ปรับการตั้งค่าให้เหมาะที่สุดอัตโนมัติข้ามหลายพารามิเตอร์
ครอบคลุมหลายสาขาฟิสิกส์ ทั้งความร้อน ของไหล แม่เหล็กไฟฟ้า และโครงสร้าง

ข้อดี

จับจุดเจ็บที่สุดของการจำลอง CAE คือเวลารอคอย ข้อเสนอคุณค่าตรงมาก
ทีมมีพื้นเพแข็ง มีทั้งฟิสิกส์และ machine learning
สำรวจพื้นที่การออกแบบด้วยภาษาธรรมชาติได้ ลดเกณฑ์การใช้เครื่องมือจำลอง

ข้อเสีย

ยังอยู่ช่วงต้น (ทีมราว 10 คน) ความสมบูรณ์ในสภาพแวดล้อมการผลิตยังต้องพิสูจน์
ต้องมีข้อมูลการจำลองเดิมก่อนจึงจะฝึกได้ เกณฑ์การเริ่มต้นแบบ cold start สูง
การกล่าวอ้างความแม่นยำต้องทดสอบจริงในเคสของตัวเอง เชื่อทั้งหมดไม่ได้

กรณีการใช้งาน

การเปรียบเทียบผังตู้แร็คและแนวทางระบายความร้อนของ data center อย่างรวดเร็ว
การจำลองความร้อนของผลิตภัณฑ์อิเล็กทรอนิกส์ในสภาวะทำงานต่างๆ
การสแกนพารามิเตอร์การออกแบบของรูปทรงอากาศพลศาสตร์
การพยากรณ์ความเค้นของชิ้นส่วนโครงสร้างภายใต้ภาระหลายแบบ

บันทึกบรรณาธิการ

เพื่อนผมในสายเซมิคอนดักเตอร์และโมดูลระบายความร้อนพอได้ยิน "การจำลองจากหลายวันเหลือไม่กี่วินาที" ตาลุกวาว รอบการออกแบบของสายนี้ถูก solver ทำให้ต้องรอทั้งนั้น แต่ผมต้องราดน้ำเย็นสักนิด โมเดลแบบนี้เป็นเซียนการอินเทอร์โพเลตแต่ห่วยเรื่องการเอกซ์ทราโพเลต สภาวะทำงานที่ข้อมูลฝึกไม่ครอบคลุม มันก็จะให้คำตอบผิดที่ดูดีมีสกุลออกมาเหมือนกัน ใช้เป็นเครื่องมือคัดกรองดีมาก แต่ใช้เป็นการตรวจสอบขั้นสุดท้ายอันตราย

คำถามที่พบบ่อย

แทนที่ solver CAE ดั้งเดิมได้ทั้งหมดไหม

ในขั้นนี้ยังไม่ได้ ตำแหน่งของมันคือการสำรวจแบบจำนวนมากอย่างรวดเร็วในช่วงออกแบบต้น คัดตัวเลือกที่มีแววจำนวนน้อยออกมา การตรวจสอบขั้นสุดท้ายยังควรกลับไปที่ solver ดั้งเดิม การแบ่งงานแบบ "คัดกรองเร็ว + ตรวจสอบแม่นยำ" นี่แหละคือการใช้ที่สมเหตุสมผล

ต้องเตรียมข้อมูลอะไร

ต้องมีข้อมูลการจำลองหรือข้อมูลการทดลองเดิมมาฝึกโมเดล นี่คือเกณฑ์ของมัน หากบริษัทไม่เคยสะสมผลการจำลองที่มีโครงสร้าง การเริ่มต้นแบบ cold start จะค่อนข้างลำบาก

ภาคการผลิตในไทยใช้ได้ไหม

ใช้ได้ และคุณค่าที่แฝงอยู่ไม่น้อย อุตสาหกรรมรับจ้างผลิตอิเล็กทรอนิกส์และโมดูลระบายความร้อนของไทยมีความต้องการจำลองความร้อนหนาแน่น ประโยชน์จากการบีบรอบการออกแบบตรงมาก แต่ตอนนี้ยังเป็นช่วงสมัครโครงการนำร่อง แนะนำให้สังเกตการณ์ก่อน