■科盛科技 / 簡錦昌 副總經理
從頭說起
1997年，加入清華大學張榮語教授的CAE實驗室後開始學習高分子材料特性、高分子加工製程，並開始學習數值方法及有限元素分析，那時候以為模流分析就是塑膠加工成型的全部。當完兵退伍後，2001加入科盛科技，持續專注在模流分析這個領域上，從那時候開始就習慣從CAE的角度來看待塑膠加工成型的整個製程，也對CAE模流分析的理論背景及解決問題的能力有更深入的了解。不過，隨著對塑膠射出製程的更完整清楚瞭解，除了逐漸認知到塑膠高分子不同面向的物理特性以及射出成型整個製程的複雜度外，也開始知道製程中還有很多地方是CAE模流分析沒辦法顧及到的。
2018春天參加了「台灣人工智慧學校(AIA)技術培訓班」的學習課程，為期連續約100天的AI訓練課程，從數據探索、機器學習、深度學習到生成式網路，讓我跨入了AI的領域。
從數值模擬到AI預測
數值模擬是一種利用物理方程式和計算技術來模擬現實世界中物理系統行為的方法。數值模擬的核心是物理模型，它將物理現象轉化為方程式，例如偏微分方程、代數方程或隨機過程等，這些方程通常無法通過解析解直接解決，因此需要使用數值方法來求解，如有限差分法、有限元法或蒙特卡洛模擬等。計算機的快速發展使得這些複雜計算變得可行，甚至可以處理複雜幾何或大規模的問題。數值模擬通常需要大量的計算資源來求解複雜的方程式，特別是在處理涉及多尺度或多物理場耦合的問題時，計算時間可能會非常長。Moldex3D就是基於數值模擬發展出的CAE工具，應用在塑膠射出成型的製程模擬上。
AI預測是利用機器學習、深度學習和數據挖掘技術，從大量數據中提取規律和模式，從而對未來情況進行推測。AI預測的核心在於其能夠處理大量和複雜的數據並生成預測模型，這些模型通常是基於歷史數據進行訓練，並使用最新的數據來進行更新。此外，AI能夠從高維度數據中提取非線性關係，因此它可以從數據中學習出潛在的模式，提供更短期且精確的預測，同時應用在許多物理行為的預測。AI預測依賴於模型訓練階段的計算資源，訓練好模型後，推理階段就比較快，這使得AI在實時預測應用中具有優勢。依照這樣的概念，如果可以提供大量的CAE分析結果，便可以訓練出一個AI模型用來做預測，當有一個新的類似的幾何模型時，便能直接透過這個AI工具來做預測。
CAE數值模擬 V.S. AI預測
數值模擬與AI預測在現代技術應用中都扮演著重要角色，這兩者在許多方面存在相似之處，但同時也有顯著的差異。它們各自擁有不同的優勢和局限性，說明如表1。
數值模擬和AI預測在很多應用中可以互補使用。例如，數值模擬可以用來提供物理上合理的初始模型，而AI則可以基於實際數據對模型進行優化和改進。在高度複雜或非線性系統中，AI可能比傳統的數值模擬更有效率，但在需要深入理解系統內部機制的情況下，數值模擬仍然是不可替代的。因此，將這兩種技術結合使用，可能會產生更強大的工具，從而在預測和決策中提供更全面的支持。在實際應用中，根據具體情境來選擇合適的技術是至關重要的。
結論
有人比喻AI是一個「黑盒子」，因為它的內部運作過程對於外界來說往往難以理解，但是他的輸入與輸出又是明確的，因此可以應用到各個領域。如果從這個角度來看，數值模擬也可以做為是AI的一部分，數值模擬所使用的物理方程式及其過程中的離散推導應該不是一般人可以容易理解的，同樣的，AI系統在決策過程中使用的算法和數據處理方式可能非常複雜，所以廣義的來說，數值模擬也可以做為是AI的一部分。
就目前所及的應用情境來看，塑膠射出成型的CAE模擬與AI的「整合」應用才剛剛要開始，透過數值模擬提供AI需要的數據，再透過AI來彌補數值模擬的不足，彼此扮演擅長的角色，讓CAE應用的領域有所突破。這邊會說「整合」是因為從目前的應用情境來看，「數值模擬」與「AI」都還是獨立的個體，透過不同串接方式將兩者結合起來提供不同的應用，期待在未來「數值模擬」與「AI」可以完全的「融合」在一起，相信透過兩者結合定可以在CAE模流分析這領域有更大的突破。
