NVIDIA 于 GTC 大會上發布的 AI 框架為工程師、科學家和研究者提供了一個可定制、易于采用的物理學工具包，使他們能夠通過建立數字孿生神經網絡模型加速解決當今一些最具挑戰性的問題。

NVIDIA Modulus是一個用于開發物理學-機器學習模型的框架，它能夠為缺乏 AI 專業知識，但對 AI 和物理驅動型數字孿生功能的需求快速增長的眾多領域提供支持，例如蛋白質工程和氣候科學領域。

數字孿生已成為解決從分子層面（如藥物研發）到全球挑戰（如氣候變化）等各種問題的有力工具。NVIDIA Modulus 為科學家所提供的框架能夠為復雜、動態的系統構建高精度數字復制品，從而推動各行業的新一代技術突破。

基于物理學的神經網絡

Modulus 訓練神經網絡使用基本的物理學定律模擬各領域中復雜系統的行為。從工業用例到氣候科學，該代理模型可用于各種數字孿生應用。

與大多數基于 AI 的方法一樣，Modulus 內置一個幫助管理觀察或模擬數據的數據準備模塊。它還能解釋它所模擬的系統的幾何圖形以及輸入幾何圖形所表示的空間的顯式參數。

Modulus 的關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（如準隨機采樣或重要性采樣）來提高被訓練模型的收斂性和準確性。

基于 Python 的 API：采取象征性管理偏微分方程并構建基于物理學的神經網絡。

精選層和網絡架構：經證明能夠有效解決物理學問題。

物理學-機器學習引擎：使用這些輸入來訓練模型。所訓練的模型能夠使用 PyTorch 與 TensorFlow、使用 cuDNN 實現 GPU 加速并且使用 NVIDIA Magnum IO 實現多 GPU 和多節點擴展。

快速周轉時間

GPU 加速工具包實現快速周轉，補充傳統的分析并實現更快的洞察。Modulus 使用戶通過評估能夠改變其參數的影響來探索系統的不同配置和場景。

基于高性能 TensorFlow 的 Modulus 實現使用 XLA 優化性能。XLA 是一個用于加速 TensorFlow 模型的特定領域線性代數編譯器。它使用 Horovod 分布式深度學習訓練框架實現多 GPU 擴展。

在完成模型訓練后，Modulus 可以進行近乎實時的推理或互動式推理。相比之下，傳統的分析每次運行時都要進行評估，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。它能提供用于實現新物理學和幾何學的 API。Modulus 在設計上可以使那些剛開始使用 AI 數字孿生應用的人能夠快速將其用于工作。

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

責任編輯：haq