Dassault Systèmes hat die Organisation der SIMULIA Community Conference Japan 2026 angekündigt, die als Plattform dienen wird, um die radikale Entwicklung der Modellierungs- und Simulationstechnologien (MODSIM) durch die Integration von KI-Fähigkeiten zu präsentieren. Laut Michelle Ash, CEO der Marke SIMULIA, bewegt sich die Branche auf eine tiefere Integration von KI in ingenieurtechnische Designprozesse zu, um die Lücke zwischen digitalen Modellen und der physikalischen Realität zu schließen.
Der Wandel von der traditionellen Ingenieurtechnik zu KI-gestütztem MODSIM
Computergestützte Engineering-Prozesse (CAE) haben sich schon immer auf spezialisierte Simulationswerkzeuge wie Abaqus, PowerFLOW, CST, Simpack und Wave6 verlassen, um präzise Produkttests durchzuführen. Der Sektor erlebt jedoch einen Wandel hin zum Konzept MODSIM (Modellierung und Simulation), bei dem der Prozess nicht nur auf das Testen fertiger Designs beschränkt ist, sondern die Erstellung interaktiver digitaler Modelle umfasst, die in der Lage sind zu lernen und sich weiterzuentwickeln.
Diese Ausrichtung zielt darauf ab, traditionelle Herausforderungen in der Produktentwicklung anzugehen, wie die dringende Notwendigkeit, die Entwicklungszyklen zu verkürzen und die hohen Kosten im Zusammenhang mit physischen und Laborversuchen zu senken. Durch die Integration von KI können Ingenieure komplexe Rechenprozesse beschleunigen und die aus der Simulation resultierenden Big Data in sofortige Design-Erkenntnisse umwandeln.
Was ändert sich in der Praxis?
Die wesentliche Änderung, auf die sich die Konferenz konzentriert, liegt im Übergang von der Simulation als „Validierungswerkzeug“ zur Simulation als „Generierungs- und Entwicklungswerkzeug“ durch das sogenannte Physical AI (Physikalische KI). Dies bedeutet:
- Beschleunigung von Berechnungen: Einsatz von KI-Algorithmen zur Vorhersage physikalischer Ergebnisse, was die Zeit für herkömmliche Simulationen, die Stunden oder Tage dauern können, reduziert.
- Datenintegration: Die Fähigkeit, aus verschiedenen Werkzeugen gewonnene Daten (wie elektromagnetische und mechanische Simulationen) in einer einheitlichen KI-Umgebung zu integrieren.
- Verbesserung der Modellgenauigkeit: Einsatz von maschinellem Lernen, um die Genauigkeit digitaler Modelle zu erhöhen und sie befähigen, komplexe physikalische Phänomene mit höchster Präzision zu simulieren.
Warum ist diese Ausrichtung wichtig?
Dieser Wandel ist eine Reaktion auf die Anforderungen fortschrittlicher Industrien wie Automobilbau, Luftfahrt und Elektronik, in denen die Markteinführungszeit (Time-to-Market) ein entscheidender Wettbewerbsfaktor geworden ist. Die Fähigkeit, KI in eine MODSIM-Umgebung zu integrieren, gibt Unternehmen die Möglichkeit, komplexere und sicherere Produkte in Rekordzeit zu entwickeln und gleichzeitig die Abhängigkeit von kostspieligen physischen Prototypen zu verringern.