NVIDIA 宣布了 NVIDIA Modulus（以前稱為 SimNet ）的可用性，該平臺使用控制物理方程以及觀測或模擬數(shù)據(jù)來訓練神經(jīng)網(wǎng)絡。?？蚣墚a(chǎn)生的穩(wěn)健和高保真模型能夠加速多物理系統(tǒng)的設計探索，是數(shù)字孿生兄弟開發(fā)的理想選擇。

NVIDIA Modulus 是為工程師、科學家、研究人員和學生設計的。它易于采用，同時提供可擴展的性能、廣泛的適用性和快速的周轉(zhuǎn)時間，因為您只需進行一次培訓并多次推斷即可解決多個假設情況。

Modulus 利用基于 AI 的方法來融合物理和 ML 的優(yōu)點。考慮到訓練數(shù)據(jù)和控制物理方程， Modulus 訓練神經(jīng)網(wǎng)絡，將系統(tǒng)的物理封裝到高保真模型中，可用于各種應用?

模數(shù)中的數(shù)據(jù)準備模塊將觀測或模擬數(shù)據(jù)以及包括點云格式在內(nèi)的幾種標準格式的幾何圖形作為我們嘗試建模的系統(tǒng)的輸入。Modulus 的美妙之處不僅在于獲取系統(tǒng)的特定幾何體，還在于獲取輸入幾何體的顯式參數(shù)化空間。這使得經(jīng)過訓練的模型能夠探索和優(yōu)化設計空間以獲得最佳參數(shù)。

Modulus 提供了基于 Python 的 API ，用于采用符號控制 PDE 并構(gòu)建物理信息神經(jīng)網(wǎng)絡。它提供了經(jīng)過策劃的層和一組擴展的網(wǎng)絡架構(gòu)，這些架構(gòu)被證明對基于物理的問題是有效的。

訓練引擎 Modulus 接受所有輸入，并利用 PyTorch 和 TensorFlow 來訓練生成的模型 cuDNN 進行 GPU 加速，利用 Magnum IO 進行多 GPU /多節(jié)點縮放。

關(guān)于作者

Jay Gould 是 NVIDIA 的高級產(chǎn)品營銷經(jīng)理，專注于 GPU 加速應用程序的 HPC 軟件和平臺。在 NVIDIA 之前，他曾在 Cray 、 Xilinx 和頂級 csp 從事高性能計算工作。杰伊在哈維·穆德學院獲得學士學位。

審核編輯：郭婷