Godela

Engine vật lý AI: nén mô phỏng phải chạy mấy ngày xuống còn vài giây

Contact for pricing United States
Truy cập website ↗

Godela là công ty ra lò từ khóa mùa xuân 2025 (X25) của Y Combinator, làm engine vật lý AI, mục tiêu thay thế những mô phỏng và nguyên mẫu vật lý vừa chậm vừa đắt trong công việc hằng ngày của kỹ sư.

Tính năng và tình huống sử dụng

Cách làm là học các định luật vật lý từ dữ liệu mô phỏng, xây mô hình bị ràng buộc bởi vật lý (physics-constrained models), hãng tuyên bố có thể cho kết quả trong vài giây với độ chính xác ngang solver, thay vì mấy ngày như truyền thống. Kỹ sư có thể hỏi các câu giả định bằng ngôn ngữ tự nhiên, cũng có thể tải file CAD hoặc dữ liệu thí nghiệm lên để hệ thống tự tối ưu cấu hình trên nhiều tham số. Các tình huống ứng dụng bao phủ tối ưu tản nhiệt trung tâm dữ liệu, mô phỏng nhiệt cho sản phẩm điện tử, dự đoán thiết kế khí động học, thiết kế trường điện từ và phân tích ứng suất kết cấu. Luồng làm việc là tải dữ liệu mô phỏng, huấn luyện mô hình AI, khám phá biến thể thiết kế, tối ưu cấu hình. Đội ngũ gồm các nhà vật lý và nghiên cứu machine learning xuất thân Stanford và MIT, các đồng sáng lập lần lượt đến từ Apple, Google và Harvard, Intel; công ty đặt tại San Francisco, hiện khoảng 10 người.

Phù hợp cho kỹ sư và đội R&D trong các lĩnh vực quản lý nhiệt, điện tử, khí động học, điện từ và thiết kế kết cấu. Giá không công khai, website mở đăng ký thí điểm qua Calendly (Request a Pilot).

Tính năng chính

  • Mô hình bị ràng buộc học định luật vật lý từ dữ liệu mô phỏng
  • Độ chính xác ngang solver, phản hồi cấp giây
  • Hỏi kịch bản giả định bằng ngôn ngữ tự nhiên
  • Tải file CAD hoặc dữ liệu thí nghiệm để dựng mô hình
  • Tự động tối ưu cấu hình trên nhiều tham số
  • Bao phủ nhiều lĩnh vực vật lý: nhiệt, lưu chất, điện từ và kết cấu

Công dụng thường gặp

  • So chọn nhanh bố trí tủ rack và phương án tản nhiệt trung tâm dữ liệu
  • Mô phỏng nhiệt cho sản phẩm điện tử trong các điều kiện vận hành khác nhau
  • Quét tham số thiết kế cho hình dáng khí động học
  • Dự đoán ứng suất của cấu kiện dưới nhiều loại tải trọng

Tính năng chính

  • Mô hình bị ràng buộc học định luật vật lý từ dữ liệu mô phỏng
  • Độ chính xác ngang solver, phản hồi cấp giây
  • Hỏi kịch bản giả định bằng ngôn ngữ tự nhiên
  • Tải file CAD hoặc dữ liệu thí nghiệm để dựng mô hình
  • Tự động tối ưu cấu hình trên nhiều tham số
  • Bao phủ nhiều lĩnh vực vật lý: nhiệt, lưu chất, điện từ và kết cấu

Ưu điểm

  • Đánh trúng thời gian chờ đau đớn nhất của mô phỏng CAE, đề xuất giá trị rất trực tiếp
  • Nền tảng đội ngũ cứng, vừa vật lý vừa machine learning
  • Khám phá không gian thiết kế bằng ngôn ngữ tự nhiên, hạ thấp rào cản dùng công cụ mô phỏng

Nhược điểm

  • Vẫn ở giai đoạn sớm (đội khoảng 10 người), độ trưởng thành môi trường production cần kiểm chứng
  • Cần có sẵn dữ liệu mô phỏng mới huấn luyện được, rào cản khởi động nguội cao
  • Tuyên bố độ chính xác cần đo thực tế trên case của mình, không thể tin hết

Trường hợp sử dụng

  • So chọn nhanh bố trí tủ rack và phương án tản nhiệt trung tâm dữ liệu
  • Mô phỏng nhiệt cho sản phẩm điện tử trong các điều kiện vận hành khác nhau
  • Quét tham số thiết kế cho hình dáng khí động học
  • Dự đoán ứng suất của cấu kiện dưới nhiều loại tải trọng

Ghi chú biên tập

Mấy người bạn tôi làm bán dẫn và mô-đun tản nhiệt nghe "mô phỏng từ mấy ngày xuống vài giây" là mắt sáng lên — chu kỳ thiết kế của nghề này chính là bị solver bắt chờ. Nhưng tôi phải dội chút nước lạnh: loại mô hình này là cao thủ nội suy, thợ vụng ngoại suy; với điều kiện vận hành mà dữ liệu huấn luyện chưa phủ tới, nó vẫn cho bạn một đáp án sai trông rất ra dáng. Dùng làm công cụ sàng lọc thì rất tốt, dùng làm kiểm chứng cuối cùng thì nguy hiểm.

Câu hỏi thường gặp

Có thay hoàn toàn được solver CAE truyền thống không?

Ở giai đoạn hiện tại thì không. Nó định vị là khám phá nhanh nhiều phương án ở giai đoạn thiết kế sớm, sàng ra vài lựa chọn có triển vọng, còn kiểm chứng cuối cùng vẫn nên quay về solver truyền thống. Phân công "sàng lọc nhanh cộng kiểm chứng chính xác" này mới là cách dùng thực tế.

Cần chuẩn bị dữ liệu gì?

Cần dữ liệu mô phỏng hoặc dữ liệu thí nghiệm sẵn có để huấn luyện mô hình. Đây chính là rào cản của nó — nếu công ty trước đây chưa tích lũy kết quả mô phỏng có cấu trúc, việc khởi động nguội sẽ khá vất vả.

Ngành sản xuất ở Việt Nam có dùng được không?

Dùng được, và giá trị tiềm năng không nhỏ. Ngành gia công điện tử và mô-đun tản nhiệt ở Việt Nam có nhu cầu mô phỏng nhiệt dày đặc, lợi ích của việc nén chu kỳ thiết kế rất trực tiếp. Nhưng hiện vẫn ở giai đoạn đăng ký thí điểm, nên quan sát trước.

Công cụ AI liên quan

繁體中文版 →