今天， NVIDIA 宣布了 NVIDIA PhysicsNeMo（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據來訓練神經網絡。模框架產生的穩健和高保真模型能夠加速多物理系統的設計探索，是數字孿生兄弟開發的理想選擇。
NVIDIA PhysicsNeMo 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。
PhysicsNeMo 利用基于 AI 的方法來融合物理和 ML 的優點。考慮到訓練數據和控制物理方程， PhysicsNeMo 訓練神經網絡，將系統的物理封裝到高保真模型中，可用于各種應用?
模數中的數據準備模塊將觀測或模擬數據以及包括點云格式在內的幾種標準格式的幾何圖形作為我們嘗試建模的系統的輸入。PhysicsNeMo 的美妙之處不僅在于獲取系統的特定幾何體，還在于獲取輸入幾何體的顯式參數化空間。這使得經過訓練的模型能夠探索和優化設計空間以獲得最佳參數。
PhysicsNeMo 提供了基于 Python 的 API ，用于采用符號控制 PDE 并構建物理信息神經網絡。它提供了經過策劃的層和一組擴展的網絡架構，這些架構被證明對基于物理的問題是有效的。
訓練引擎 PhysicsNeMo 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 /多節點縮放。
了解更多關于 NVIDIA 的信息
了解有關 PhysicsNeMo 的更多信息并免費下載該軟件。
查看 PhysicsNeMo（以前稱為 SimNet ）上提供的各種新 NVIDIA GTC 會話和其他類似主題：
- SimNet: A Neural Engine for Science and Engineering Problems
- Toward Developing High Reynolds Number, Compressible Reacting Flows in SimNet
- Accelerate HPC Simulations at Scale with Physics-Informed Neural Networks and NVIDIA GPUs on AWS
- Physics-Informed Neural Networks for Wave Propagation Using SimNet
- Uncertainty Quantification for Transport in Porous Media using Parameterized Physics Informed Neural Networks
- Energy Transition, Sustainability, and the Role of Technology （小組討論）
?
?
