高速赛车与计算技术的前沿交汇

无论是IndyCar还是勒芒超级跑车，驾驶赛车赢得胜利需要勇气与技术，但最根本的还是极致速度。这使得智能工程成为任何制胜策略的核心所在。

在寻求竞争优势的过程中，工程师们不断对新赛车设计进行迭代，调整车身几何结构、前翼、后扩散器以及各类小型气动附件的造型，探索这些新配置是否能转化为赛道上的实质性性能提升。

计算机辅助设计与仿真技术的出现进一步拓展了这一创意流程，使得在虚拟环境中测试新想法变得更加快捷高效。如今，工程师们借助计算流体动力学（CFD）来预测微小的设计改动将如何影响下压力和阻力等气动效果，并间接影响车辆的操控性、平衡性和效率，从而决定车辆在高速行驶和不同赛道条件下的表现。

CFD是一种强大的工具，但求解描述气流及其他物理现象的复杂方程需要消耗大量时间。气动工程师评估一处细微的表面调整可能就要花费数小时，而设计一辆完整的赛车则需要数周乃至数月。

IBM研究院与达拉拉集团（Dallara Group）近期携手合作，共同探索如何在保持高精度物理准确性的前提下，大幅提升这一评估过程的效率。

达拉拉专门为全球顶级赛事设计并提供高性能赛车，服务领域涵盖IndyCar、一级方程式2（F2）以及IMSA WeatherTech SportsCar锦标赛。IBM则是经典计算与量子计算领域的领军企业，其AI模型组合在洪水与山火范围预测、天气与气候模拟、太阳动力学分析乃至聚变等离子体动力学等方面均有突破性进展。

双方希望借助基于物理仿真数据训练的AI代理模型，推动车辆设计与优化的发展，并计划在未来探索将量子算法引入工作流程，以进一步提升仿真精度。

在一项实验中，达拉拉以一辆类似勒芒原型车2（LMP2）的赛车为基础，设计了多款不同版本的后扩散器——这一位于车身底部的部件能够增加下压力，提升赛车的抓地力。工程师们随后分别采用传统CFD仿真和IBM构建、经达拉拉专有仿真数据训练的AI代理模型对上述设计进行了评估。

两种方法均准确识别出了最优设计方案，但CFD分析耗时数小时，而AI评估仅用约10秒即可完成。达拉拉估计，将AI代理模型应用于典型的数百种几何配置评估，可将仿真时间从数天压缩至数分钟。

上述初步成果已发表于一篇题为《以设计驱动速度》（Faster by Design）的新白皮书中，IBM研究员克里斯蒂亚诺·马洛西（Cristiano Malossi）近期在ICLR 2026的AI与偏微分方程研讨会上发表了相关演讲。

该模型本身是由IBM研究人员设计的一种基于图的神经算子，命名为规范不变谱Transformer（Gauge-Invariant Spectral Transformer，简称GIST），旨在解决如何高效处理基于偏微分方程的图结构仿真数据这一核心挑战。

从眼镜到飞机，当今许多量产产品都借助计算机上的三维网格（Mesh）进行设计，网格通过密集的点、连接线和平面构成，定义了产品的形状、体积和表面轮廓。

此前用于预测气动力的图模型通常将赛车网格视为简单的点云。对于普通乘用车而言，点云描述几何形状或许已经足够，但赛车拥有极为精细的气动部件——从前部导流片到后翼上的古尔尼翼片——这些细节对车辆性能有着举足轻重的影响。

网格结构中在物理位置上相邻的两侧点，在气动效果上可能受到完全相反的力。要使AI模型正确处理这些表面，就必须让模型理解网格各点之间的连接关系。IBM的GIST架构同时编码了网格点的坐标及其连接线的信息，从而更精准地捕捉网格的拓扑结构，在复杂部件的预测上实现了更清晰、更贴近物理规律的结果，而这些部件恰恰是赛车高性能表现的关键所在。

然而，捕捉这些复杂关系对计算资源的消耗同样巨大。为了降低此前制约图Transformer扩展能力的复杂度，研究人员采用随机投影方法生成图嵌入——这是一种以强大性能和简洁性著称的压缩感知技术。

与此同时，研究人员还设计了一种"规范不变"的Transformer架构，确保模型能够在不同嵌入投影和网格密度之间无缝泛化。在物理学中，规范不变性意味着无论采用何种任意数学描述方式，系统的基本物理性质保持不变。

IBM的主要研究人员之一马蒂亚·里戈蒂（Mattia Rigotti）解释道："波士顿和纽约的坐标会因使用GPS还是二维地图而有所不同，但两座城市之间的实际物理距离不会改变。坐标的选择就如同规范的选择。物理关系——无论是城市之间的距离，还是图中点与连接线的结构——都是规范不变的。我们将这一洞见融入了模型的设计之中。"

研究团队在达拉拉的LMP2数据集上对模型进行了训练与测试，数据集涵盖了不同赛道条件和驾驶动作下的仿真结果，从高速过弯到急刹车均有收录。数据集中的每项配置均经达拉拉工程师对照预期气动行为进行了审核与验证。在未见子集上的评估显示，GIST模型在压力和剪切应力等气动力预测方面的精度超越了其他主流AI代理模型。

达拉拉CFD方法论负责人埃利萨·塞里奥利（Elisa Serioli）表示："我们很荣幸IBM选择达拉拉作为这次创新合作的伙伴。IBM基于AI的模型预测结果与传统CFD相比展现出极具潜力的表现，泛化能力也令人振奋，这对于达拉拉多产品线的业务环境而言尤为值得关注。"

IBM与达拉拉计划通过引入更多达拉拉专有高性能赛车数据，持续完善AI代理模型。与此同时，双方也在展望下一代计算时代，开始探索量子及量子-经典混合方法如何进一步提升和加速高性能车辆的设计流程。

通过将达拉拉在车辆工程与CFD驱动设计方面的专业积累，与IBM在AI和量子计算领域的领先优势相结合，研究人员将探索如何增强传统仿真工作流，并最终将发现的创新设计付诸实践。

这一合作的意义远不止于赛道。气动设计对乘用车、商用飞机等各类交通工具同样至关重要，对任何将空气动力学纳入设计流程的行业都具有普遍价值。将日常交通工具的空气阻力降低几个百分点，便可在燃油效率上实现可观的累积改善，既能为用户节省油费，又有助于减少碳排放。

Q&A

Q1：GIST模型是什么？它在赛车设计中有什么作用？

A：GIST（规范不变谱Transformer）是由IBM研究人员开发的一种基于图的神经算子模型。在赛车设计中，它被用作CFD仿真的AI代理模型，能够高效预测赛车气动部件的压力、剪切应力等气动力表现。相比传统CFD仿真需要数小时，GIST模型仅需约10秒即可完成评估，可将数百种设计配置的仿真时间从数天压缩至数分钟，大幅加速工程师的设计迭代流程。

Q2：IBM和达拉拉合作的AI代理模型准确吗？

A：准确性较高。研究团队在达拉拉的LMP2数据集上进行了训练与测试，数据涵盖高速过弯、急刹车等不同赛道工况，每项配置均经达拉拉工程师审核验证。在未见数据子集上的测试表明，GIST模型在气动力预测精度上超越了其他主流AI代理模型，且在实验中与传统CFD一致识别出了最优扩散器设计方案。

Q3：这项赛车气动仿真技术有没有其他行业的应用价值？

A：有。气动设计不仅限于赛车领域，乘用车、商用飞机及其他对空气动力学有需求的行业同样适用。将日常交通工具的空气阻力降低几个百分点，便能带来可观的燃油效率提升，帮助用户节省油耗成本，同时减少碳排放，具有显著的经济和环保意义。