NVIDIA 于 GTC 大會上發(fā)布的 AI 框架為工程師、科學(xué)家和研究者提供了一個可定制、易于采用的物理學(xué)工具包，使他們能夠通過建立數(shù)字孿生神經(jīng)網(wǎng)絡(luò)模型加速解決當(dāng)今一些最具挑戰(zhàn)性的問題。

NVIDIA Modulus是一個用于開發(fā)物理學(xué)-機(jī)器學(xué)習(xí)模型的框架，它能夠為缺乏 AI 專業(yè)知識，但對 AI 和物理驅(qū)動型數(shù)字孿生功能的需求快速增長的眾多領(lǐng)域提供支持，例如蛋白質(zhì)工程和氣候科學(xué)領(lǐng)域。

數(shù)字孿生已成為解決從分子層面（如藥物研發(fā)）到全球挑戰(zhàn)（如氣候變化）等各種問題的有力工具。NVIDIA Modulus 為科學(xué)家所提供的框架能夠為復(fù)雜、動態(tài)的系統(tǒng)構(gòu)建高精度數(shù)字復(fù)制品，從而推動各行業(yè)的新一代技術(shù)突破。

基于物理學(xué)的神經(jīng)網(wǎng)絡(luò)

Modulus 訓(xùn)練神經(jīng)網(wǎng)絡(luò)使用基本的物理學(xué)定律模擬各領(lǐng)域中復(fù)雜系統(tǒng)的行為。從工業(yè)用例到氣候科學(xué)，該代理模型可用于各種數(shù)字孿生應(yīng)用。

與大多數(shù)基于 AI 的方法一樣，Modulus 內(nèi)置一個幫助管理觀察或模擬數(shù)據(jù)的數(shù)據(jù)準(zhǔn)備模塊。它還能解釋它所模擬的系統(tǒng)的幾何圖形以及輸入幾何圖形所表示的空間的顯式參數(shù)。

Modulus 的關(guān)鍵工作流程和要素包括：

采樣計劃器：使用戶能夠選擇一種方法（如準(zhǔn)隨機(jī)采樣或重要性采樣）來提高被訓(xùn)練模型的收斂性和準(zhǔn)確性。

基于 Python 的 API：采取象征性管理偏微分方程并構(gòu)建基于物理學(xué)的神經(jīng)網(wǎng)絡(luò)。

精選層和網(wǎng)絡(luò)架構(gòu)：經(jīng)證明能夠有效解決物理學(xué)問題。

物理學(xué)-機(jī)器學(xué)習(xí)引擎：使用這些輸入來訓(xùn)練模型。所訓(xùn)練的模型能夠使用 PyTorch 與 TensorFlow、使用 cuDNN 實現(xiàn) GPU 加速并且使用 NVIDIA Magnum IO 實現(xiàn)多 GPU 和多節(jié)點擴(kuò)展。

快速周轉(zhuǎn)時間

GPU 加速工具包實現(xiàn)快速周轉(zhuǎn)，補(bǔ)充傳統(tǒng)的分析并實現(xiàn)更快的洞察。Modulus 使用戶通過評估能夠改變其參數(shù)的影響來探索系統(tǒng)的不同配置和場景。

基于高性能 TensorFlow 的 Modulus 實現(xiàn)使用 XLA 優(yōu)化性能。XLA 是一個用于加速 TensorFlow 模型的特定領(lǐng)域線性代數(shù)編譯器。它使用 Horovod 分布式深度學(xué)習(xí)訓(xùn)練框架實現(xiàn)多 GPU 擴(kuò)展。

在完成模型訓(xùn)練后，Modulus 可以進(jìn)行近乎實時的推理或互動式推理。相比之下，傳統(tǒng)的分析每次運行時都要進(jìn)行評估，而且每次評估的計算成本很高。

易于采用

Modulus 可定制并且易于采用。它能提供用于實現(xiàn)新物理學(xué)和幾何學(xué)的 API。Modulus 在設(shè)計上可以使那些剛開始使用 AI 數(shù)字孿生應(yīng)用的人能夠快速將其用于工作。

該框架包括計算流體力學(xué)、熱傳導(dǎo)等入門分步教程。它還為應(yīng)用領(lǐng)域提供了一個不斷增長的實現(xiàn)列表，如湍流建模、瞬態(tài)波方程、納維-斯托克斯方程、電磁學(xué)領(lǐng)域的麥克斯韋方程、反問題和其他多物理場問題。

責(zé)任編輯：haq