模擬對于復雜的工程挑戰至關重要,例如設計核聚變反應堆、優化風電場,開發碳捕獲和封存技術或構建氫電池。設計此類系統通常需要對科學模擬進行多次迭代,而這些迭代的計算成本高昂。求解器和參數通常必須針對所研究的每個系統單獨進行調整。得益于 AI 和基于物理信息的機器學習 (Physics-ML) 框架,例如 NVIDIA Modulus。現在,我們可以克服這些挑戰并加速這些模擬。
NVIDIA Modulus 是一個開源物理機器學習平臺。該模型將物理學與深度學習訓練數據相結合,以構建具有近乎實時延遲的高保真、參數化代理模型。工程師和科學家可以使用 NVIDIA Modulus 探索和構建基于物理性質的 AI 代理模型。這些原則正在應用于從制造到醫療健康等各種解決方案中,包括高性能計算(HPC)擴展應用程序,例如天氣預測和工 業數字孿生.
DimensionLab 是一個 NVIDIA Inception 合作伙伴,這是一家專為工程師、科學家、制造商和創作者構建新一代工具的軟件工作室。隨著對用戶體驗、簡單性和現代設計的日益關注,DimensionLab 團隊正在利用科學機器學習領域的最新進展,徹底改變將數值模擬用于技術和產品開發的方式。
DimensionLab 在認識到 NVIDIA Modulus 的巨大潛力后,將其作為其旗艦產品的支柱,這是一個用于 AI 驅動工程的網絡平臺,稱為 Siml.ai。
為領域專家簡化 AI 代理建模
Siml.ai 在其模型工程師應用程序中,該應用程序基于 Modulus 接口構建,使領域專家能夠以符號形式使用治理偏微分方程來表達他們對系統的理解,而不是依賴深度學習模型的損失函數來捕獲此類信息。
模型工程師的目標是簡化整個流程,包括:
- 從傳統的模擬導出或物理傳感器中構建大型數據集,這些傳感器可從現實世界的實驗中收集精確的測量結果。
- 為模擬器所需的功能和約束構建正確的模型架構。
- 在高性能、GPU 驅動的云或 HPC 中心訓練和積極優化可學習模擬器,而無需處理管理云基礎設施的復雜性。
Model Engineer 中的流程圖式可視化編輯器會設置問題,以便在 Modulus 平臺上啟動訓練。在幕后,流程圖的可視化表示被編譯成 NVIDIA Modulus API 調用。它表示整個模擬器狀態,包括參數化變量、神經網絡架構、幾何圖形或約束。
您可以將 CAD 幾何圖形拖放到幾何圖形節點中,然后這些幾何圖形自動轉換為適用于 NVIDIA Modulus 曲面細分模塊的 STL.這些幾何圖形同時轉換為適用于 3D 幾何查看器的快速 Web 格式。

這些 Siml.ai 交互式和可視化工具讓工程師和科學家能夠專注于探索物理 ML 模型以進行物理模擬,而無需處理其復雜性。他們只需通過平臺創建和部署環境,即可開始訓練模擬模型。環境使用模擬器推理和訓練環境 (SITE),這是一種容器化解決方案,可以完成所有繁重的工作,將模擬器的視覺表示編譯為可訓練的 Modulus 模擬器的代碼。SITE 針對 NVIDIA GPU 進行了優化,并提供了使用 AI 驅動的模擬器所需的一切。
Siml.ai 平臺的第二部分是一款用于實時可視化模擬結果的工具,名為 Simulation Studio.這是一款基于 Unreal Engine 及其像素流功能的混合應用程序(基于 Web 的和原生的)。它在云中運行渲染,并將渲染的幀作為視頻流發送到 Siml.ai 前端。
用戶可以將在 Model Engineer 中創建的參數化模擬器加載到 Simulation Studio 中,以創建交互式數字孿生,從而實現快速的虛擬物理實驗工作流程。

Physics-ML 代理模型可節省成本和時間
為了展示這些新工具和工作流對利用 Physics-ML 的影響,DimensionLab 的開發者使用 Siml.ai 進行了一項特定的客戶案例研究。其目標是量化 NVIDIA Modulus 和 Siml.ai 等框架在為預算有限的小型咨詢公司構建 Physics – ML 模型方面的價值。其目標是提供與行業標準仿真軟件輸出相當的 AI 解決方案,但成本和時間卻很低。
該客戶需要對流入水電廠的河流進行數值模擬,以分析過去事件造成的洪水損失。他們花了 4 年時間在一個熱門的數值求解器中完成并微調了數學模型,并且花了幾個月的時間處理復雜的幾何網格。
與經典建模和仿真方法不同,DimensionLab 的開發者幫助客戶應用了 Physics-ML 方法來應對這一工程挑戰。他們在 Siml.ai 中創建了多個可比較的 AI 驅動仿真,這些仿真利用了 NVIDIA Modulus 框架中的 Navier-Stokes 方程、基于物理信息的神經網絡和里葉神經運算符。
這些模型僅用了 3 周時間就完成了多次不同配置和參數設置的開發和訓練,與該公司之前嘗試的方法相比,節省了 96%的成本和時間。
工程資源仿真
如需了解更多詳情,請參閱 Siml.ai 文檔 和 Siml.ai 培訓內容。您也可以在 Siml.ai 博客 上閱讀有關該工具的更多信息。
如需了解有關 Physics-ML 和 NVIDIA Modulus 的更多信息,請查看 NVIDIA 深度學習培訓中心 (DLI) 的課程,使用 Modulus 進行物理信息機器學習的介紹,并訪問 NVIDIA/modulus GitHub 上的存儲庫。
詳細了解 NVIDIA Inception,它旨在幫助初創公司通過尖端技術更快地發展,獲得與風險資本家建立聯系的機會,并獲得 NVIDIA 提供的最新技術資源。
?