日本DUNLOP与日本富士通携手，针对DUNLOP长期经营战略中提出的设计数字化转型（DX）目标，共同开发了一种基于AI的高精度且快速预测轮胎性能的技术——AI替代模型，并在实证实验中验证了其效果。
在此次实证实验中，该技术被应用于预测轮胎与路面接触时的变形行为，结果显示，分析时间从传统的约45分钟大幅缩短至约5分钟，减少了约90%，同时实现了约60万个要素（网格）规模的分析。
基于此次成果，双方计划推进轮胎设计开发辅助工具的研发，日本DUNLOP目标于2027年4月实现该技术的实际应用。DUNLOP希望通过数据驱动的开发方式，加速推出更安全且具备优异环保性能的高品质轮胎。
此外，该技术设计时考虑了在富士通开发的高性能且低功耗的基于Arm架构的下一代CPU“FUJITSU-MONAKA”上的运行。
未来，双方将基于该技术，于12月前开始在“FUJITSU-MONAKA”验证机上开展实证，进一步优化推理速度、精度及能效表现。
实证实验成果
双方结合DUNLOP的轮胎设计经验和实际设计数据，以及富士通的AI技术，共同开发了基于图神经网络（Graph Neural Network，GNN）算法的AI替代模型，并进行了轮胎结构分析的实证实验。
实验重点评估了轮胎接触路面时的接触形状和接触压力分布等变形行为和接触特性。结果显示，传统有限元法（FEM）分析需约45分钟，而该AI模型仅需约5分钟即可完成近似分析，且与FEM分析相比，轮胎与路面的接触形状预测精度高达平均87.7%。
该技术使得原本需经过多个设计流程确定的轮胎结构和材料规格，能够在更少流程和更短时间内完成决策，从而加快决策速度，不仅提升性能，也有望实现成本优化。
部分成果将于6月3日开幕的第31届计算工程讲演会上发布。
