仿真軟件十年回顧和展望

西門子以45億美元收購Mentor， 讓EDA軟件公司再次進入人們的視野，隨著電子領域的持續(xù)升級，EDA公司的作用更加突顯，2018年中興和2019年的華為斷供事件更是把三大EDA軟件公司Synopsys新思，Cadence楷登和Mentor推到了風口浪尖。硬件斷供只是明槍，很容易躲開，軟件斷供才是狠招。簡單講比如斷供操作系統(tǒng)，雖然電腦還能用，但后續(xù)支持升級就沒有了，無法應對出現(xiàn)新的軟硬件，新的電腦病毒和漏洞。產品質量無法保證暫且不說，產品上市時間會被拉長，時間線上會被競爭對手甩在后面。

2017年2月2日，?？怂箍敌家?.34億美元收購老牌CAE公司MSC軟件公司(“MSC”)，MSC是全球領先的計算機輔助工程(CAE)方案供應商，包括進行虛擬產品和制造過程開發(fā)的模擬軟件。2016年MSC銷售收入在2.3億美元左右，可謂賣了個好價錢。但也表明，傳統(tǒng)的CAE軟件公司已經越來越不適應現(xiàn)代技術的發(fā)展，軟件公司必須在數(shù)字化設計方面轉型，在實際生產環(huán)境中的測量數(shù)據(jù)將與仿真分析緊密結合，提供高附加值的產品和服務，僅靠著賣軟件的時代已經一去不復返了。

在計算仿真領域，不得不提到另外兩家獨特的公司：COMSOL和MathWork。

成立于瑞典 的斯德哥爾摩COMSOL在2010年之前還無聲無息，最初的COMSOL只是在MATLAB的一個toolkit上改進的結構分析工具，但在2010年之后，隨著COMSOL4.0版本的發(fā)布，COSMOL憑借著多物理場仿真的旗號，直接求解PDE，以及相對完善的前后處理功能，迅速崛起，在CAE領域可謂獨樹一幟。和大多數(shù)外國公司一樣，早年COMSOL在國內主要使用代理商，后來自己成立辦事處。創(chuàng)立于1984年的Mathwork，作為一家從大學出來的公司，一直靠著兩大產品Matlab和Simulink，2018年收入營業(yè)額已經比肩CAE巨頭ANSYS。MATLAB提供了大量的數(shù)學函數(shù)以及各個行業(yè)的工具箱，對于高級工程師是相當不錯的選擇。筆者從2001年接觸MATLAB6.0版本至今，仍然是解決技術問題的幫手。

作為3D軟件的巨頭，Autodesk在仿真領域也有不少動作，除了收購algor，moldflow，PlassoTech等，在仿真業(yè)務整合，云端也做了不少努力，但種種客觀原因，未來想發(fā)展業(yè)務大概率通過收購其它公司完成。

展望未來十年，可能發(fā)生的收購或并購：

1. Synopsys新思，Cadence楷登會成為新的收購熱點；

3. ANSYS不排除被更大的巨頭收購；

4. 更多掌握核心技術的底層細分領域的小公司會被巨頭收購（圖形引擎，網格引擎，幾何內核等）

5. VASP被ANSYS或者Simens收購；

6. 國內企業(yè)比如華為可能會嘗試收購歐洲小的仿真企業(yè)。

下面試著從技術角度回顧和展望仿真軟件的發(fā)展和趨勢。

1、多物理場仿真耦合

多物理場耦合仿真的終極目標是提供對真實世界的精確模擬。雖然目前很多軟件號稱能解決多物理場仿真問題，但實際上獲取準確的數(shù)值解仍然相當困難：理論上復雜的多物理場耦合現(xiàn)象難以用統(tǒng)一的PDE描述，因此數(shù)值計算上理論上就存在不確定性；而工程上會對模型進行簡化，導致求解誤差偏大；不同的物理場之間還涉及到模型交互，幾何網格兼容性，強弱耦合，多尺度，相變，交叉學科等各種問題。所以進行準確的多物理場耦合分析仍然是仿真軟件未來最具挑戰(zhàn)性的工作之一。過去十年中，從事流體，電磁，材料仿真軟件的公司是收購的重點，未來的收購也還會發(fā)生在這些領域，在這些領域還有很多沒有解決的工程問題，軟件發(fā)展?jié)摿薮蟆?/span>

2、仿真和硬件關系更加密切

FEM方法早在70多年前提出，因為需要大量的計算工作一直發(fā)展比較緩慢，在計算機出現(xiàn)之后才出現(xiàn)質的發(fā)展。現(xiàn)在，自由度超過千萬的剛度矩陣組裝，其次和非齊次線性方程組求解時間在普通臺式機上仍然耗時，因此仿真軟件對硬件有天然的依賴，半導體領域的摩爾定律同樣適用于仿真軟件，所以每次硬件出現(xiàn)新的革新，都會很快應用到仿真軟件上。從早期的臺式機多核多進程多線程，到后來的刀片服務器，網絡分布式計算，再到GPU計算，以及現(xiàn)在的上百萬核，千萬核的超級計算機，AI芯片，將來可能應用的量子計算機，都是在用硬件方法加速仿真中的大規(guī)模計算。

硬件發(fā)展的另外一個趨勢是越來越小，仿真可以和硬件結合，類似于現(xiàn)在的FPGA編程。自動駕駛是一個典型的例子，自動駕駛實際上就是一個實時的仿真系統(tǒng)，攝像頭，傳感器實時收集數(shù)據(jù)，處理器根據(jù)收集的數(shù)據(jù)進行駕駛路線計算和預測，并采取相應的策略，在這個過程中依賴于數(shù)據(jù)的傳輸和對數(shù)據(jù)仿真處理。如果將碰撞仿真軟件固化在汽車硬件里，汽車在行駛過程中能實時仿真與其它車碰撞的結果，從而讓自動駕駛在遇到危險時采取更有利的預防和避險措施，其意義不言而喻。

隨著硬件的加速，一些傳統(tǒng)的數(shù)值計算方法使用可能會出現(xiàn)改觀。比如求解滿秩矩陣的困難的MOM，BEM等方法。目前的算法主要利用快速多級等進行加速，但精度上還是會有損失。

在下一個十年結束的時候，希望在量子計算領域有所突破。如果幾十億自由度的線性方程組求解能在普通機器上秒級以內完成，將極大促進生產力發(fā)展，說人類文明將跨進一大步一點都不夸張！

3、CAD/CAE/CAM/CAPP無縫結合，驗證測試與仿真融合

傳統(tǒng)的CAD/CAE/CAM/CAPP相互獨立，會造成很多問題，比如信息孤島，數(shù)據(jù)不兼容，仿真結果無法驗證等，甚至出現(xiàn)試驗指導仿真的情況。

近年來，軟件廠商在解決這些問題方面做了很多努力，但距離理想還相差很遠。傳統(tǒng)的CAD與CAE分離，簡單講設計一個單位，仿真一個單位，加工一個單位，最直接的問題就是數(shù)據(jù)兼容性問題。相信很多仿真工程師都有過被文件格式轉換，幾何清理折磨的經歷，究其原因就是CAD/CAE流程沒有打通。這種分離不僅是數(shù)據(jù)上，而且也反映在業(yè)務上。比如因為加工需要，CAD設計會有各種倒角，而仿真則不需要。很多CAD軟件在其平臺上引入了仿真功能，反映的就是這個趨勢。在一個平臺上完成CAD/CAE/CAM驗證，設計，自動化，也就是CAD/CAE/CAM/CAPP的無縫結合。

仿真軟件給出的仿真結果總會存在誤差，需要由試驗來確定，如何將實驗數(shù)據(jù)和仿真數(shù)據(jù)匹配，指導實際業(yè)務，也是很工業(yè)界看重的一個問題，這也催生出了相應的軟件產品，比如西門子收購的比利時LMS，是一家提供仿真，測試，咨詢服務公司，西門子看中的就是測試與仿真的綜合能力。而另一家比利時的Dynamic Design Solutions，也是一家提供FEM分析軟件測試的公司（又是比利時，多物理場仿真軟件OOFELIE也屬于比利時的OpenEngineering公司），幾乎所有的汽車設計廠商都是其客戶。未來傳感器，測量工具效能的提升會讓仿真與實驗結合的更緊密。

4、設計與優(yōu)化緊密結合

有人說仿真的目的就是優(yōu)化。優(yōu)化是很多CAE軟件產品中的一個模塊，比如AltairOptiStruct，Ansys Design Explorer，HFSS Optimetrics，Abaqus ATOM 以及獨立的優(yōu)化軟件Isight，Tosca等，Matlab等科學計算軟件中也提供了專門的優(yōu)化工具箱。

雖然優(yōu)化工具很多，但真正應用起來讓其發(fā)揮作用并不簡單，首先每種優(yōu)化算法有其特點和適用場景，比如遺傳算法適用全局優(yōu)化，牛頓適用局部優(yōu)化，神經網絡適用輸入數(shù)據(jù)豐富情形，梯度迭代更適合有連續(xù)表達式的函數(shù)。

其次業(yè)務場景對優(yōu)化也有諸多限制，比如橋梁，雖然理論上可以設計優(yōu)化出各種樣式的橋，但實際設計施工中還是老老實實按照規(guī)范來；再者優(yōu)化算法同樣受限于硬件，大部分優(yōu)化使用迭代算法，利用每次迭代仿真結果選擇相應策略，而很多FEM自適應網格方法，F(xiàn)VM計算本身就是一個迭代收斂的過程，如果加上優(yōu)化迭代，計算時間會無法接受；最后優(yōu)化中涉及到許多變量，這些變量可能涉及不同的階段（有的變量屬于幾何，有的屬于仿真，有些屬于NC），場景，從而分配不同的影響因子，靈敏度。

所有這些不確定因素加起來導致仿真軟件優(yōu)化發(fā)揮作用很困難，目前仿真優(yōu)化通常應用于幾何拓撲確定，業(yè)務流程固化，參數(shù)較少的應用場景。在仿真優(yōu)化這塊還有很多潛力可挖掘，未來十年，將會有更多的和業(yè)務結合的優(yōu)化應用出現(xiàn)，而軟硬件的發(fā)展會對優(yōu)化的應用發(fā)展起到很大的促進作用。

5、云端化

仿真軟件云端化是互聯(lián)網技術發(fā)展必然的結果，云端化和仿真技術沒有太大關系，主要是商業(yè)模式和使用方式的轉變，目前有不少公司試水把產品移植到云端，比如三維設計軟件OnShape，3D軟件公司Autodesk（歐特克）早早在云端布局，云端平臺Fusion360整合了旗下的多款CAD/CAE/CAM產品?；ヂ?lián)網巨頭亞馬遜直接在其云端開發(fā)部署了開源CFD軟件包OpenFOAM，用戶可直接登錄使用。

另外B/S架構的仿真平臺通過瀏覽器提供前后處理，而大規(guī)模求解仿真放在云端也是一個不錯的選項，國外發(fā)展較早的有德國的www.simscale.com，國內有www.simright.com，目前云端化存在兩個大問題。一個是安全性問題，如何保證數(shù)據(jù)安全，對公司講，數(shù)據(jù)就是核心資產，另外如何保證商務，法律上的安全也是需要考慮的一個問題，比如涉密信息，即使保證了數(shù)據(jù)安全，也不可能放在公有云，公司企業(yè)內部私有云倒是一個不錯的選項。另外一個問題是進行云端仿真計算時，存在性能瓶頸，對于大型項目，遠程圖形渲染，實時計算，交互，數(shù)據(jù)傳輸?shù)冗€不能和桌面機器相比，當然隨著硬件的發(fā)展，這些以后都不是問題。

對大多數(shù)用戶來說，使用云的好處是降低仿真軟件的使用成本，以前幾十萬幾百萬的才能使用的軟件，通過云可以將價格門檻下降到很低，這也是在國內普及正版軟件一條可行的路。

6、網格

傳統(tǒng)的數(shù)值計算方法都需要高質量的網格數(shù)據(jù)作為輸入，網格生成在前處理中占了很多時間。網格質量的好壞直接決定的仿真的好壞，網格生成技術作為仿真領域的一項支柱，開發(fā)難度大，且需要實際工程打磨，要想開發(fā)一套完善的網格引擎，沒有五年十年的功夫是不可能的。某些情況比如多物理場，流體邊界層，復合材料，EDA行業(yè)，裝配體的網格的生成更為復雜，對于未知場的求解，往往需要網格加密多次求解，增加了仿真復雜度。好的網格依賴于幾何輸入質量以及網格算法的健壯穩(wěn)定性，沒有好的網格生成機制，數(shù)值計算難為無米之炊。網格算法較為成熟穩(wěn)定，在這個領域很難有顛覆式的發(fā)展，未來網格底層生成算法可以和實際工業(yè)應用更加緊密結合，優(yōu)化網格生成效率。

由于高階數(shù)值計算復雜性，目前大部分商業(yè)軟件網格都是線性單元（0階）或者二次單元（一階）。實際上高階網格（也就是常說的P單元）在處理復雜幾何上更具優(yōu)勢，適當?shù)脑O置網格參數(shù)，只需更少數(shù)量的網格，無需迭代，就能獲得更好的數(shù)值計算解，期待未來在高階領域有更多實際應用。

無網格方法是近年來興起的一種數(shù)值計算方法。流體領域的粒子方法(Particle Method）和LBM格子玻爾茲曼已經相當成熟，尤其是后者，達索系統(tǒng)早早將市場上的LBM軟件收到旗下，壟斷目前市場。Altair與今年推出的SimSolid號稱也不需要網格，市場驗證需要假以時日。要想在無網格應用上有所突破，底層理論和硬件都需要提供更多的支持。

瑞士一家公司提出了一種基于MAR（Medial Axis Representation）方法，號稱利用CAx取代CAD/CAE，取代傳統(tǒng)的網格劃分流程，具體效果還需要市場檢驗。

未來，網格仍然是仿真軟件前處理的重要一環(huán)，網格生成性能會進一步提升，新算法會引入讓網格生成趨向智能化。

7、數(shù)值計算方法

在數(shù)值計算機方法領域，主要還是以FEM為主，電磁FEM，F(xiàn)DTD，MOM，流體FVM，以及無網格法。其它比如FDM，BEM，DEM，譜方法等在實際應用中大規(guī)模使用，還需要更多的努力。未來數(shù)值計算方法在理論上突破已經非常困難，但在以下幾個方面仍然還有發(fā)展空間：

1，同一分析空間中不同數(shù)值計算方法的混合使用；

2，PDE產生新的解析解方法所帶來的新的數(shù)值解法；

3，半解析解和數(shù)值解法的進一步組合使用；

4，數(shù)值計算方法和業(yè)務場景實際工程應用的進一步耦合；

5，高階網格數(shù)值計算方法；

軟件只是表現(xiàn)，軟件和工程經驗的結合才是核心技術，發(fā)展數(shù)值計算方法，只有和實際工程應用結合才能使軟件產生更大的價值。

8、人工智能以及機器學習引入

人工智能最近幾年火的一塌糊涂，但是真正靜下心來仔細研發(fā)會發(fā)現(xiàn)，落地應用的項目其實集中在少數(shù)幾個領域，比如語音識別，圖像識別，聚類分析，專家系統(tǒng)等等，在仿真領域應用有限。這也是由仿真領域的特點決定的：

1，人工智能依賴于大規(guī)模的訓練數(shù)據(jù)輸入，對于仿真而言，很多應用場景中，仿真一次的數(shù)據(jù)量就非常大，多次仿真不僅時間長，而且冗余數(shù)據(jù)多，生成的有效訓練數(shù)據(jù)有限，無法提供AI訓練以及深度學習所需的有效輸入數(shù)據(jù)；以設置最優(yōu)網格參數(shù)為例，至少兩個位的訓練次數(shù)才會出現(xiàn)有效解，而求解器一次求解時間可能就是幾個小時，相比AI，實際應用中自適應網格劃分更迅速和準確；

2，目前的硬件設施無法滿足AI訓練，或者訓練成本太高，對于1中即使是對局部網格尋找最優(yōu)參數(shù)解，訓練所花實際成本仍然很高，性價比差；

3，未來通過機器視覺進行特征識別，從而可以在幾何清理，設置局部網格參數(shù)等方面實現(xiàn)自動化是比較可行的。

9、業(yè)務驅動仿真

傳統(tǒng)印象中，仿真應用流程是設計，仿真，再設計，測試，再設計，生產。而業(yè)務驅動仿真很可能改變這種印象。以風力發(fā)電葉片為例，葉片的生成，運輸，安裝，卸載成本都很高，在運作的時候如果葉片出現(xiàn)故障（撞擊，損壞），主要以現(xiàn)場修復為主。如何精準的評估修復效果，利用傳感器，掃描儀等裝置生成實時模型，收集真實工況數(shù)據(jù)，對比原始模型，測試模型，進行實時仿真，評估CFD，機械強度等各個指標，仿真滿足要求后即可上線。仿真在整個過程中起主導作用，之后還可以定時進行仿真檢查，收集實時數(shù)據(jù)反饋給原始仿真計算模型，優(yōu)化產品流程。

從使用者角度看，仿真軟件將不再是仿真工程師的專利，完善的業(yè)務流程，固化的仿真邏輯，CAD/CAE/CAM的高度結合，可以讓任何一個普通工程師用好仿真。想象一下在建筑工地上，工人發(fā)現(xiàn)施工與設計圖紙出現(xiàn)沖突，需要改圖，傳統(tǒng)的做法需要層層上報，甚至反饋到設計院，設計院實地考察，給出修改方案，來回折騰。而以后可能工人只需在pad上修改圖紙，實時仿真一下，將結果反饋給上級，通過則繼續(xù)施工。

過去的十年中，幾乎每年都有一些技術熱點，比如量子計算，物聯(lián)網，AR，VR，人工智能，區(qū)塊鏈，邊界計算，深度學習。但是仔細探究很多技術只不過是新瓶裝舊酒，有些是背后有資本推手，有些是從實驗室走向市場，有些是得益于硬件的發(fā)展。對于國內工業(yè)仿真軟件發(fā)展而言，要想有所建樹，技術方面加大研發(fā)投入力度，潛心踏實積累技術，參與實際工程迭代，業(yè)務上開拓國外市場，走產品服務路線，仍然是唯一的出路。

來源：多物理場仿真技術