在碰撞安全设计中，AI驱动的工程工作流面临独特挑战：与气动学不同，碰撞事件涉及高度非线性的接触动力学、材料非线性和难以通过数据驱动的代理模型捕捉的离散状态转变。我们首次提出了一种基础模型协调的工作流，用于行人保护的碰撞安全设计，能够将每个CAE仿真的评估时间从数小时缩短到数秒。
该工作流集成了四个组件：
- 一个训练于CAE碰撞仿真的代理模型，用于预测设计参数下的行人腿部伤害指标，平均 $R^2=0.87$，并提供无分布的符合预测区间；
- 多目标进化搜索（NSGA-II），用于在用户指定约束下发现多样化的可行参数集；
- 基于形变的几何生成器，将参数映射到保持拓扑的3D形状；
- 自然语言接口，其中一个大型语言模型（LLM）协调工作流，视觉-语言模型支持生成设计的语义比较。
在一个汽车前保险杠的案例研究中，该工作流从单次探索中产生了35个不同的安全合规替代方案，而这一过程在传统CAE迭代中可能需要数周的时间。这些结果表明，基础模型可以作为机器学习代理与基于物理的仿真之间的集成层，帮助将AI能力引入安全关键的工程领域。
博主点评： 本文展示了如何利用基础模型提升碰撞安全设计的效率，尤其是在行人保护方面的应用，标志着AI在工程领域的进一步融合。通过减少仿真时间和提高设计多样性，未来的汽车安全设计将更加依赖于智能化的工作流。