NVIDIA基于物理学的神经网络

NVIDIA 于 GTC 大会上发布的 AI 框架为工程师、科学家和研究者提供了一个可定制、易于采用的物理学工具包，使他们能够通过建立数字孪生神经网络模型加速解决当今一些最具挑战性的问题。

NVIDIA Modulus是一个用于开发物理学-机器学习模型的框架，它能够为缺乏 AI 专业知识，但对 AI 和物理驱动型数字孪生功能的需求快速增长的众多领域提供支持，例如蛋白质工程和气候科学领域。

数字孪生已成为解决从分子层面（如药物研发）到全球挑战（如气候变化）等各种问题的有力工具。NVIDIA Modulus 为科学家所提供的框架能够为复杂、动态的系统构建高精度数字复制品，从而推动各行业的新一代威廉希尔官方网站 突破。

基于物理学的神经网络

Modulus 训练神经网络使用基本的物理学定律interwetten与威廉的赔率体系 各领域中复杂系统的行为。从工业用例到气候科学，该代理模型可用于各种数字孪生应用。

与大多数基于 AI 的方法一样，Modulus 内置一个帮助管理观察或模拟数据的数据准备模块。它还能解释它所模拟的系统的几何图形以及输入几何图形所表示的空间的显式参数。

Modulus 的关键工作流程和要素包括：

采样计划器：使用户能够选择一种方法（如准随机采样或重要性采样）来提高被训练模型的收敛性和准确性。

基于 Python 的 API：采取象征性管理偏微分方程并构建基于物理学的神经网络。

精选层和网络架构：经证明能够有效解决物理学问题。

物理学-机器学习引擎：使用这些输入来训练模型。所训练的模型能够使用 PyTorch 与 TensorFlow、使用 cuDNN 实现 GPU 加速并且使用 NVIDIA Magnum IO 实现多 GPU 和多节点扩展。

快速周转时间

GPU 加速工具包实现快速周转，补充传统的分析并实现更快的洞察。Modulus 使用户通过评估能够改变其参数的影响来探索系统的不同配置和场景。

基于高性能 TensorFlow 的 Modulus 实现使用 XLA 优化性能。XLA 是一个用于加速 TensorFlow 模型的特定领域线性代数编译器。它使用 Horovod 分布式深度学习训练框架实现多 GPU 扩展。

在完成模型训练后，Modulus 可以进行近乎实时的推理或互动式推理。相比之下，传统的分析每次运行时都要进行评估，而且每次评估的计算成本很高。

易于采用

Modulus 可定制并且易于采用。它能提供用于实现新物理学和几何学的 API。Modulus 在设计上可以使那些刚开始使用 AI 数字孪生应用的人能够快速将其用于工作。

该框架包括计算流体力学、热传导等入门分步教程。它还为应用领域提供了一个不断增长的实现列表，如湍流建模、瞬态波方程、纳维-斯托克斯方程、电磁学领域的麦克斯韦方程、反问题和其他多物理场问题。

责任编辑：haq