Neural Concept

Kurzfazit

Neural Concept ist die führende europäische Plattform für AI-gestützte Surrogate-Modelle im CAE-Umfeld. Die Software lernt aus vorhandenen FEM-Simulationen, LS-DYNA, Abaqus, RADIOSS, und liefert für neue Designvarianten in Sekunden Vorhersagen, für die ein HPC-Cluster sonst Stunden bräuchte. Für Automotive- und Aerospace-Teams mit reifer Simulationsdatenbasis ist das ein echter Hebel im Konzept- und Vorentwicklungsprozess. Wer keine 20+ konsistenten Trainingssimulationen pro Lastfall hat oder regelmäßig völlig neue Topologien evaluiert, holt aus dem Tool wenig heraus.

Für wen ist Neural Concept?

Automotive-OEMs und Tier-1-Zulieferer: Crashbox-Optimierung, Karosseriestruktur, B-Säulen-Auslegung, Batteriegehäuse-Crashabsicherung bei E-Fahrzeugen. Wer eine Plattformhistorie mit Hunderten von LS-DYNA-Läufen hat, kann diese Datenbasis nun aktiv ausbeuten statt sie nur zu archivieren.

Aerospace-Hersteller und -Zulieferer: Aerodynamische Parameterstudien an Tragflächenprofilen, Triebwerksverkleidungen, Strukturkomponenten. Airbus und Safran sind als Kunden auf der Website präsent, der Use Case ist real, nicht theoretisch.

Motorsport-Engineering: Racing Bulls (F1) und Williams Racing setzen Neural Concept ein, um aerodynamische Konzepte unter Reglementgrenzen iterativ zu erkunden. Wenn das Wind-Tunnel-Budget pro Saison fix ist, verschiebt der Surrogate die Iteration in den digitalen Raum.

Industrielle Wärmemanagement-Teams: Eaton berichtet öffentlich von über 30 % Performance-Gewinn bei der Auslegung thermischer Kühlsysteme. Vergleichbare Anwendungen finden sich in Leistungselektronik, Batterie-Thermik und Energietechnik.

CAE-Methodik- und HPC-Verantwortliche: Wer im Konzern für die Simulationsstrategie zuständig ist, evaluiert Neural Concept oft als Ergänzung, nicht Ersatz, zu klassischen Solvern. Die Plattform integriert sich auf Datenebene, ohne den bestehenden Toolstack abzulösen.

Weniger geeignet für: KMU ohne reife Simulationsdatenbasis, Teams die regelmäßig völlig neue Bauweisen evaluieren (jeder Sprung über die Trainingsverteilung hinaus erfordert neues Datenmaterial), Forschungsgruppen mit Einzelsimulationen statt Datenbeständen, und alle die ein Self-Service-Tool unter 50.000 Euro/Jahr suchen.

Preise im Detail

Plan	Preis	Was du bekommst
Pilotprojekt	Auf Anfrage (typisch fünfstellig)	Daten-Assessment, einmalige Modellerstellung für einen definierten Lastfall, begleitetes Onboarding
Subscription (Standard)	Auf Anfrage (typisch unterer sechsstelliger Bereich/Jahr)	Plattformzugang, Trainings-Pipeline für mehrere Lastfälle, Software-Updates, Support
Enterprise	Individuell verhandelt	Mehrere Standorte, dedizierter Customer Success, Custom-Integration in interne CAE-Pipelines

Einordnung: Neural Concept ist kein Tool, das du im Self-Service ausprobierst. Der Markteintritt läuft über ein Pilotprojekt mit dem Vendor-Team, typisch drei bis sechs Monate, am Ende stehen ein produktiver Surrogate für einen Lastfall und eine Aussage über den Roll-out in weitere Bereiche. Für ein Konzern-Gesamtbudget bist du realistisch im sechsstelligen Bereich pro Jahr; das relativiert sich, wenn man die HPC-Stunden gegenrechnet, die ein klassisches Design-of-Experiments verschlingen würde. Für KMU ist das Angebot strukturell zu groß dimensioniert.

Stärken im Detail

AI-nativ für CAE entwickelt. Im Unterschied zu generischen ML-Frameworks (PyTorch, TensorFlow), in denen ein Team monatelang eine Domänen-Architektur aufbaut, ist Neural Concept von Anfang an für Mesh-basierte Simulationsdaten konzipiert. Die Modelle verarbeiten unstrukturierte Geometrien direkt, kein Umweg über Voxel-Grids oder Latent-Encodings, der typischerweise Genauigkeit kostet.

Direkte Anbindung an LS-DYNA, Abaqus, RADIOSS. Die Plattform liest bestehende Solver-Outputs (d3plot, ODB, RADIOSS-Result-Files) und nutzt sie als Trainingsdaten. Du musst nicht in ein anderes Format migrieren oder einen neuen Solver einführen, das senkt die Hürde für CAE-Teams, die seit Jahrzehnten im LS-DYNA- oder Abaqus-Ökosystem arbeiten.

Skalare und Feldgrößen aus einem Modell. Der Surrogate liefert nicht nur Einzahlwerte (maximale Intrusion, absorbierte Energie), sondern auch Feldverteilungen über die Geometrie, z.B. die komplette Deformationsverteilung der B-Säule oder die Druckverteilung um ein Profil. Das macht die Vorhersagen für Konstrukteure interpretierbar, nicht nur für Datenanalysten.

EU-Datenhosting aus der Schweiz. Neural Concept hostet in Europa, relevant für deutsche OEMs und Tier-1, deren Simulationsdaten die Geometrie unveröffentlichter Fahrzeuge enthalten. Konkurrenten aus den USA müssten hier mit DSGVO- und Geheimhaltungsprozessen kämpfen, die Monate kosten können.

Referenzkunden mit echten Case Studies. Subaru (Formteilanalyse), Eaton (Thermik), Racing Bulls F1 (Aerodynamik), die Kunden sind namentlich auf der Website mit konkreten Ergebnissen genannt, nicht nur als Logo-Wand. Das ist im AI-Surrogate-Markt, in dem viele Anbieter mit Demo-Datensätzen werben, ein Glaubwürdigkeitsvorsprung.

Schwächen ehrlich betrachtet

Datenhunger als Eintrittsbarriere. Unter etwa 20 konsistenten Simulationen pro Lastfall liefert der Surrogate keine belastbaren Ergebnisse, die Faustzahl liegt eher bei 50+. Wer eine neue Plattform startet und keinen Vorgänger-Datenbestand mitbringt, muss erst eine Trainings-Kampagne fahren. Das verschiebt den ROI deutlich nach hinten und sollte im Pilotprojekt offen kalkuliert werden.

Out-of-Distribution-Probleme. Der Surrogate ist exzellent innerhalb der Trainingsverteilung, aber unzuverlässig außerhalb. Eine völlig neue Crashbox-Topologie, ein anderer Anprallwinkel, ein neues Material, sobald du die Box verlässt, in der trainiert wurde, brauchst du neue Vollsimulationen. Das ist mathematisch unvermeidlich, aber als Anwender muss man es bewusst managen, sonst entstehen falsche Sicherheitsannahmen.

Kein transparentes Pricing. Du kannst nicht auf der Website nachsehen, was eine Lizenz kostet, alles läuft über Sales. Das schließt explorative Evaluierungen durch Einzelteams praktisch aus; jedes Gespräch ist sofort ein Konzern-Einkaufsthema. Für Vendor-Auswahl-Prozesse ist das umständlich, weil Wettbewerbsvergleiche mehrere Monate Verhandlung benötigen.

Onboarding ist Pflicht, kein Self-Service. Es gibt keine Trial-Version, keine Sandbox, keinen Open-Source-Kern. Du startest mit einem mehrwöchigen Daten-Assessment durch das Vendor-Team. Das sichert Qualität, macht aber Spontan-Tests unmöglich und bindet interne Ressourcen, die parallel zum laufenden Projekt freigeschaufelt werden müssen.

Kein Ersatz für Homologations-Validierung. Surrogate-Vorhersagen reichen nicht für die Crash-Zulassung, die Behörden akzeptieren weiterhin nur Vollsimulationen plus physische Sled- oder Komponentenversuche. Neural Concept verschlankt die Vorauswahl, ersetzt aber keine einzige Pflichtsimulation am Ende des Prozesses. Das ist ein Marketing-Erwartungsmanagement, das in Pilotprojekten oft erst spät klar wird.

Kein deutscher Support. Sales und Technik laufen auf Englisch. Für die meisten OEM-CAE-Abteilungen kein Problem (die internationale Tooling-Welt ist ohnehin englisch), aber bei Mittelständlern aus dem Maschinenbau, die ihre Engineering-Sprache deutsch halten, ein zusätzliches Reibungsmoment.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Einen klassischen Crash-Solver suchst (kein Surrogate, sondern den FEM-Goldstandard)	Ansys LS-DYNA
Eine breite multidisziplinäre CAE-Suite mit eigener AI-/Optimierungs-Schicht willst	Altair HyperWorks
Hochpräzise Bahn- und Konstellationssimulation (Aerospace, Defense) brauchst	Ansys STK

Neural Concept ist kein Solver-Ersatz, sondern eine zusätzliche Schicht über deinen bestehenden FEM-Workflow. Klassische Wettbewerber im Surrogate-Bereich sind Monolith AI (UK), SimScale mit AI-Modulen, sowie interne Konkurrenz innerhalb der großen Suiten, z.B. Altair romAI, Ansys SimAI und Dassault 3DEXPERIENCE-AI-Komponenten. Die meisten dieser Alternativen haben wir noch nicht eigenständig getestet; in einem ernsthaften Vendor-Vergleich gehören sie aber auf die Liste.

So steigst du ein

Schritt 1: Demo bei Neural Concept über neuralconcept.com anfragen, das Team bietet eine erste Daten-Assessment-Session, um zu prüfen, ob die vorhandenen Simulationsdaten ausreichen (Mindest-Richtlinie: ca. 20–50 konsistente Simulationsläufe pro Lastfall). Bring zur Erstgesprächsrunde realistische Zahlen mit: Wie viele d3plot-Files liegen im Archiv, wie konsistent ist die Mesh-Strategie über die Jahre, welcher Lastfall wäre der erste Kandidat?

Schritt 2: Vorhandene FEM-Simulationsdaten (LS-DYNA K-Files plus Ergebnisdateien im d3plot-Format) für einen definierten Lastfall exportieren, z.B. alle Frontalcrash-Simulationen der letzten Fahrzeugplattform. Neural Concept übernimmt das Daten-Preprocessing und das initiale Training; rechne mit zwei bis sechs Wochen, je nach Datenmenge und Solver-Heterogenität.

Schritt 3: Surrogate-Modell in den Konstruktionsprozess integrieren: Neue Geometrievarianten werden in den Surrogate eingespeist, Vorhersageergebnisse (Intrusion, Energieabsorption, B-Säulen-Kraft-Weg-Kurve) erscheinen in Sekunden. Die vielversprechendsten Varianten gehen anschließend in Vollsimulationen, die schwächsten werden früh aussortiert. Wichtig: Setze klare Akzeptanzkriterien für die Surrogate-Genauigkeit (z.B. ±5 % Abweichung bei Intrusion gegenüber Vollsimulation), sonst entsteht Misstrauen im Konstruktionsteam.

Ein konkretes Beispiel

Ein europäischer OEM entwickelt eine neue Elektrofahrzeug-Plattform und nutzt Neural Concept für die Crashbox-Optimierung. Ausgangsdaten: 65 LS-DYNA-Simulationen mit variierenden Querschnittsgeometrien und Blechdicken aus der Vorgängergeneration. Nach drei Wochen Training bewertet der Surrogate 2.000 Designvarianten in unter 30 Minuten, statt der äquivalenten 10.000 Stunden auf einem HPC-Cluster. Die zwölf Topkandidaten werden mit Vollsimulationen validiert, drei davon mit physischen Sled-Tests vor dem Euro-NCAP-Einreichungstermin. Der Konzept-Loop, der vorher zwei Monate dauerte, schließt jetzt in zehn Tagen, das eingesparte Cluster-Kontingent geht in andere Lastfälle (Seitenaufprall, Pole-Test), die vorher aus Zeitgründen nicht so tief explorierbar waren.

DSGVO & Datenschutz

• Datenhosting: Schweiz/EU, relevant für deutsche OEMs, deren Designdaten als geschäftskritisch gelten. Auf Anfrage werden auch dedizierte Cloud-Setups in der EU oder On-Premises-Installationen besprochen.
• Datennutzung: Trainingsdaten und Modelle bleiben Eigentum des Kunden. Neural Concept nutzt Kundendaten nicht zum modellübergreifenden Training. Vertraglich festzuhalten, im Pilot-MSA explizit prüfen.
• Geheimhaltung: Standard-NDA wird vor jedem Daten-Assessment unterzeichnet. Für Konzern-Einkauf zusätzlich CDA und IP-Klauseln verhandeln, gerade bei plattformübergreifenden Designdaten.
• Empfehlung für Unternehmen: Vor dem ersten Datentransfer eine Datenschutz-Folgenabschätzung durchführen, auch wenn Simulationsdaten formal keine personenbezogenen Daten enthalten, gelten sie als kritisches IP. AVV bei Bedarf separat ausgestalten.
• On-Premises-Option: Für Konzerne mit strengen Geheimhaltungsanforderungen verfügbar, bedeutet aber höheren Wartungsaufwand und längere Update-Zyklen.

Gut kombiniert mit

• Ansys LS-DYNA, der klassische Crash-Solver liefert die Trainingsdaten und validiert die Surrogate-Vorhersagen am Ende des Konzeptloops. Ohne LS-DYNA (oder einen vergleichbaren Solver) ist Neural Concept funktionslos.
• Altair HyperWorks, HyperMesh und HyperView lassen sich für Pre- und Post-Processing einbinden. Surrogate-Outputs können in HyperView visualisiert werden, sodass Konstrukteure das gewohnte Werkzeug behalten.
• Interne PLM- und Optimierungs-Pipelines (Siemens Teamcenter, modeFRONTIER, optiSLang), Neural Concept liefert die Schnellbewertung, die die Optimierungsalgorithmen brauchen, um Tausende Varianten in vernünftiger Zeit zu durchsuchen.

Unser Testurteil

Neural Concept verdient solide 4 von 5 Sternen. Im engen Marktsegment der AI-Surrogate für Mesh-basierte CAE-Workflows ist die Plattform das reifste europäische Angebot, mit echten Referenzkunden (Subaru, Eaton, Racing Bulls, Airbus), EU-Hosting und einer technischen Tiefe, die generische ML-Frameworks nicht erreichen. Der fünfte Stern fehlt aus drei Gründen: Es gibt kein transparentes Pricing, keinen Self-Service-Einstieg, und die Datenhürde von 20+ konsistenten Simulationen schließt einen großen Teil potenzieller Anwender aus. Für deutsche Automotive- und Aerospace-Konzerne mit reifer Simulationsdatenbasis ist Neural Concept aber eine ernsthafte Evaluierung wert, und in vielen Fällen die wirtschaftlich beste Option.

Was wir bemerkt haben

• Mai 2026, Auf der Website spricht Neural Concept nicht mehr von einzelnen Produkten wie NCS oder NCSpark, sondern positioniert sich als einheitliche “Intelligence Platform” mit generativer CAD, Multi-Physik-Entscheidungstools und domänenspezifischen AI-Assistenten. Die Botschaft hat sich vom reinen Surrogate-Werkzeug Richtung “Engineering-AI-Plattform” verschoben.
• Januar 2026, Neural Concept war auf der CES in Las Vegas mit dem Leadership-Team vor Ort präsent (“Engineering impact beyond AI hype”). Für ein Schweizer B2B-CAE-Unternehmen ist die CES-Präsenz ein deutliches Signal in Richtung breitere Markenaufstellung jenseits der klassischen Engineering-Konferenzen wie NAFEMS oder LS-DYNA-Foren.
• 2024–2025, Die Kundenliste hat sich um Premium-Aerospace (Safran, weitere Airbus-Bereiche) und Motorsport (Williams Racing zusätzlich zu Racing Bulls) erweitert. Auch Hyperscaler-Logos (NVIDIA, Microsoft) tauchen auf, vermutlich Partnerschaften für Compute-Infrastruktur, nicht klassische CAE-Kundenprojekte.