NVIDIA 模擬網絡 是一個物理信息神經網絡（ PINNs ）工具箱，適用于工程師、科學家、學生和研究人員，他們要么想開始人工智能驅動的物理模擬，要么想利用一個強大的框架來實現他們的領域知識，用實際應用來解決復雜的非線性物理問題。

V21.06 建立在一個成功的基線特性早期訪問程序的基礎上，并在附加的新功能上分層。 這個 GA 版本 引入了對新物理的支持，如 Ele CTR omagnetics 和 2D 波傳播，并提供了一種新的算法，使更多的用例能夠模擬更復雜的流體熱系統。新的時間步方案已經被用于解決時間問題，將時間視為離散和連續的。

其他特性和增強功能包括 梯度聚合方法，用于在每個 GPU 上增加批處理大小，自適應采樣用于在高損失區域增加點云密度，同方差任務不確定性量化用于損失權重，傳遞學習算法可以快速訓練 STL 的有效的基于代理的參數化，以及構造實體幾何和多項式混沌展開方法，用于評估模型輸入中的不確定性如何體現在其輸出中。 SimNet v21. 06 還通過乘法濾波網絡擴展了現有的網絡體系結構。

SimNet v21.06 亮點

Electromagnetics

利用 SIMNETV21.06 可以進行頻域電磁仿真。頻域麥克斯韋方程的實型解可以是一維、二維和三維情況下的標量形式（亥姆霍茲方程），也可以是三維情況下的矢量形式。邊界條件可以是二維和三維情況下的理想電子 CTR 離子導體（ PEC ），三維情況下的輻射邊界（吸收邊界）條件和二維波導源的波導端口解算器。實現了二維 TEz 模和 TMz 模頻域 ele CTR 磁和三維 ele CTR 磁的實型求解。

時間物理學中的時間步進格式

在流體力學和電磁等領域，許多計算問題都需要進行瞬態模擬。直到最近，神經網絡解算器一直在努力獲得準確的結果。通過在這一領域的多項創新， SimNet 現在能夠以更高的速度和精度解決各種瞬態問題。 下面顯示的是泰勒格林渦衰減使用瞬態和湍流納維 – 斯托克斯模擬。

遷移學習

在重復訓練中，例如基于替代項的設計優化訓練或不確定性量化訓練，傳遞學習可以縮短神經網絡求解器的收斂時間。一旦為單個幾何體訓練了模型，訓練后的模型參數將轉換為求解不同的幾何體，而不必從頭開始訓練新幾何體。

遷移學習加速了特定于患者的顱內動脈瘤模擬。

兩種不同形狀的動脈瘤。

梯度聚集

訓練一個復雜問題的神經網絡解算器需要一個大批量的大小，可以超出可用的 GPU 內存限制。增加 GPU 的數量可以有效地增加批處理大小，但是在 GPU 可用性有限的情況下，可以使用梯度聚合。通過梯度聚合，使用不同的小批量點云在幾個向前/向后迭代中計算所需的梯度，然后聚合并應用于更新模型參數。實際上，這將增加批量大小（盡管以增加訓練時間為代價）。

增加批量可以提高神經網絡求解的精度。

1 GPU 上的 4 個梯度聚合= 4 GPU ，無梯度聚合。

這些結果比沒有任何梯度聚集的 1gpu 結果更準確。

最近的 SimNet 隨需應變技術會議

“ 非均勻介質力學的物理信息神經網絡 ”——印度工業學院孟買分校舉辦了一個關于異質介質力學的物理信息神經網絡會議。基于 PINN 的 NVIDIA SimNet 工具箱被用來開發一個模擬彈性和彈塑性材料損傷的框架。為了驗證， SimNet 結果與基于 Haghiatt 等人（ 2020 ）的分析解非常一致。

“ 利用物理信息神經網絡和 SimNet 加速產品開發 ” Kinetic Vision 介紹了一個關于使用物理信息神經網絡和 SimNet 加速產品開發的會議，其中使用 SimNet 模擬了在航空航天和一些工業應用中遇到的 Coanda 效應。二維和三維幾何圖形都是使用 SimNet 的內部幾何模塊構建的，并使用改進的 Fourier 網絡結構進行仿真。結果表明，用商業 CFD 程序、 ansysfluent 和訓練后的 SimNet-PINN 預測的流場在定性上非常相似。此外， Kinetic Vision 使用 SimNet 進行參數化仿真，并進一步將這些結果與 SolidWorks 集成到 CAD 中進行自動推理，同時為用戶提供了一種從 SolidWorks UI 與 SimNet 交互的方式。

“ 混合物理神經網絡在數字孿生兒預后和健康管理中的應用 ” – 中佛羅里達大學提出了一個關于混合物理的神經網絡，用于預測和健康管理的數字孿生神經網絡，其中建立了雙數字模型來預測飛機窗口板的損傷和疲勞裂紋擴展。 SimNet 模型以物理學為基礎，這確保了結構材料預測和健康管理所需的準確性。一旦 SimNet 模型經過訓練，就可以根據不同的輸入條件進行快速而準確的計算。 SimNet 也達到了很好的精度，商業解決方案所達到的高度網格細化。使用 SimNet ，他們可以將預測模型擴展到 500 架飛機的機隊，并在不到 10 秒內得到預測結果，而如果他們使用高保真有限元模型執行相同的計算，則需要幾天到幾周的時間。

“ 基于物理信息的多孔介質流動與輸運神經網絡 ” – 斯坦福大學提出了一個物理會議，通知深學習在多孔介質中的流動和運輸，其中一種方法被用來模擬兩相不混溶輸運問題（ Buckley Leverett ）。該模型能產生沖擊和稀薄兩方面的精確物理解，并遵循控制偏微分方程以及初始和邊界條件。請在我們的 NVIDIA 博客 here 上閱讀更多信息。

“ 利用基于物理的神經網絡加速計算科學與工程 ”– NVIDIA 介紹了一個關于人工智能加速計算科學和工程的會議，該會議使用基于物理的神經網絡，涵蓋了最先進的人工智能，用于解決從實時模擬（例如。，設計空間探索（生成性設計和產品設計優化）、反問題（如醫學成像、油氣勘探中的全波反演）和改進的科學（如微觀力學、湍流），這些問題由于各種梯度和不連續性而難以解決，由于物理定律和復雜的形狀。

隨需應變網絡研討會：“ 用 NVIDIA SimNet 在理工科課程中構建基于人工智能的仿真能力 ”了解 NVIDIA SimNet 如何解決廣泛的用例，包括無任何訓練數據的耦合正演模擬，以及反演和數據同化問題。

關于作者

Rekha Mukund 是 NVIDIA 計算組的產品經理，負責為汽車、 Jetson 和 Android 平臺開發 CUDA Tegra 產品。她還負責管理 NVIDIA SimNet 產品和 OpenCL 計劃。在加入 NVIDIA 之前， Rekha 在付費電視技術領域與思科合作了八年多。她是英國大學計算機科學學院的金牌獲得者，他是印度國家級乒乓球運動員和狂熱的旅行者。

Sanjay Choudhry 是 NVIDIA 的高級主管，對傳統計算方法以及科學和工程領域的機器學習都有很強的背景。他領導 SimNet 的工程工作，并熱衷于為工業應用開發基于人工智能的模擬解決方案。

審核編輯：郭婷