AI for Simulation / Coding / Chips
这一部分讨论如何将 AI 工具（主要是 LLM）应用到仿真、编码和芯片性能分析中。 重点不是做大模型本身，而是「怎么把 AI 用在现有工作流上」，提高效率和代码质量。
1. AI + 仿真（AI for Simulation）
在仿真工作流中，AI 可以辅助模型选择、参数调优、结果判读等环节， 但需要保持物理约束、数值稳定性和工程可验证性作为第一原则。
-
1.1 模型与参数选择
- 基于先验物理与数值分析的模型推荐：在给定工况下，推荐合适的湍流模型、多相模型等。
- 参数调优：时间步长、收敛判据、预条件参数等的智能选择。
- 工况分类：根据输入条件自动判断问题类型，选择对应的求解策略。
-
1.2 结果判读与分析
- 流场特征识别：自动识别激波、分离区、涡结构等关键特征。
- 异常检测：识别不合理的计算结果、收敛异常等。
- 趋势分析：从大量算例中提取规律，辅助工程决策。
-
1.3 算例生成与优化
- 网格质量评估：自动识别网格问题，提供改进建议。
- 边界条件推荐：基于相似算例推荐合适的边界条件设置。
- 优化方向建议：在参数空间中快速定位有希望的区域。
- 1.4 边界与约束 AI 辅助不能替代物理理解，所有建议都需要基于物理约束和数值稳定性进行验证。 工程可验证性是最终标准。
2. AI + Coding（AI for Coding）
利用 LLM 等工具辅助 C++ / Fortran 开发，提高编码效率和代码质量。
-
2.1 代码生成与补全
- 函数实现：根据接口和注释生成基础实现代码。
- 模板代码：生成常见模式的代码模板（如迭代器、工厂模式等）。
- 代码补全：智能补全、上下文感知的代码建议。
-
2.2 代码重构与优化
- 重构建议：识别代码异味，提供重构方案。
- 性能优化：识别性能瓶颈，建议优化方向。
- 代码风格：统一代码风格，提高可读性。
-
2.3 测试与验证
- 测试用例生成：根据函数接口自动生成测试用例。
- 边界条件测试：识别边界情况，生成针对性测试。
- 回归测试：从历史 bug 中学习，生成回归测试。
-
2.4 文档与注释
- 代码注释生成：根据代码逻辑生成清晰的注释。
- API 文档：自动生成函数文档、参数说明等。
- 代码解释：帮助理解复杂代码的逻辑。
- 2.5 调试辅助 错误分析、日志解读、性能分析报告的辅助理解。 帮助快速定位问题根源。
3. AI + 芯片（AI for Chips）
利用 AI 做瓶颈识别、参数搜索、调度策略探索，而不是替代架构设计。
-
3.1 性能瓶颈识别
- 从性能数据中自动识别瓶颈：计算、通信、I/O 等。
- 瓶颈根因分析：深入分析瓶颈产生的原因。
- 优化建议：基于历史经验提供优化方向。
-
3.2 参数搜索与调优
- 超参数搜索：在参数空间中高效搜索最优配置。
- 调度策略优化：任务调度、资源分配策略的自动优化。
- 数据布局优化：基于性能数据推荐最优数据布局。
-
3.3 预测与规划
- 性能预测：基于配置预测性能表现。
- 资源规划：预测资源需求，优化资源分配。
- 故障预测：基于历史数据预测潜在故障。
- 3.4 边界与约束 AI 辅助不能替代对芯片架构的深入理解，所有建议都需要结合硬件特性进行验证。 架构设计仍然需要工程师的专业判断。
4. 工具与实践（Tools & Practice）
-
4.1 常用工具
- LLM 工具：ChatGPT、Claude、GitHub Copilot 等。
- 代码分析工具：结合 AI 的静态分析、代码审查工具。
- 性能分析工具：AI 辅助的性能分析平台。
-
4.2 工作流集成
- 如何将 AI 工具无缝集成到现有开发工作流中。
- 版本控制：AI 生成代码的版本管理和审查流程。
- 质量控制：如何确保 AI 生成代码的质量和正确性。
-
4.3 最佳实践
- 提示工程：如何编写有效的提示词，获得更好的 AI 输出。
- 迭代优化：如何通过多轮交互逐步完善 AI 生成的内容。
- 人工审核：AI 输出必须经过人工审核，不能直接采用。
5. 我的实践（My Practice）
目前主要关注：
- 使用 LLM 辅助 C++ 代码编写和重构，提高开发效率。
- 利用 AI 工具辅助仿真结果分析和问题诊断。
- 探索 AI 在芯片性能分析和调度策略优化中的应用。
- 建立 AI 辅助开发的质量保障流程，确保代码正确性。
后续会在 项目案例 和 技术笔记 中， 逐步展开具体的 AI 应用场景、使用经验和效果评估。 重点强调：AI 是工具，不是替代，物理约束和工程可验证性始终是第一原则。