從運輸和醫療健康到制造和金融，AI 正迅速成為各行各業不可或缺的一部分。AI 為聊天機器人、推薦系統、計算機視覺應用、欺詐預防和自動駕駛汽車提供支持。它還在工程和科學領域擁有廣泛的應用。
基于物理信息的機器學習 (Physics-ML) 利用物理世界的知識來訓練 AI 模型，非常適合用于現實世界系統的建模。其應用范圍廣泛，包括預測極端天氣、數據中心冷卻、汽車氣流動力學和蛋白質建模等領域。
學術機構在培育新興技術和推動廣泛采用這些技術所需的創新方面發揮著關鍵作用。無可否認，當今希望在未來工作場所取得成功的學生需要了解 AI 如何實現解決方案。
為支持這項工作， NVIDIA 正在與科學、工程和 AI 交叉領域的先驅者合作，為全球學術界的教育工作者創建首個深度學習科學與工程教學套件。
這個新的教學套件將使新一代工程師和科學家能夠利用 AI 在工程和科學領域進行創新。它是與包括布朗大學應用數學和工程教授 George Karniadakis 及其團隊在內的優秀學者共同創建的。
“我們與我的合作者 Raj Shukla 博士設計了這門課程，以解決科學家和工程師對特定材料的迫切需求，”Karniadakis 說，“我們專注于回歸，并模仿工程課程中經典數值分析課程所需的近似理論和算法。”
教育工作者可以通過加入 NVIDIA 深度學習培訓中心 (DLI) 教學套件計劃，完全免費地訪問深度學習科學與工程教學套件（以及更多其他教學套件）。套件包括教學材料、實驗室和示例問題集，以促進將先進技術納入課程。課程的整個講座部分也可在 NVIDIA On-Demand 上找到。
科學與工程教學套件概述
從機械、結構和電氣工程到大氣科學、計算科學等各個領域的教育工作者都會發現此教學套件非常有用。套件中的材料包括深度學習的基礎知識以及高級主題和動手練習。它包含 15 個總時長約為 30-35 小時的講座、家庭作業和 20 個不同領域的項目。
適用于科學和工程的深度學習教學套件包含將理論、算法、編程和示例相結合的重點模塊。亮點包括：
- Python 入門以及科學和深度學習庫
- 深度神經網絡架構、訓練和優化
- 基于物理信息的神經網絡
- 神經運算符
- 數據和不確定性量化
- 高性能計算 (HPC) 和 NVIDIA Modulus 開源框架
此內容非常適合工程和科學領域的教育工作者。模塊化設計使講師能夠開發自己的定制課程版本，以滿足學生的需求。
該教學套件包含適用于 Physics-ML 的專用模塊，因為其具有改變跨學科 HPC 模擬工作流程的潛力，其中包括多學科物理，包括計算流體動力學、結構力學和計算化學。由于 Physics – ML 在科學和工程領域的廣泛應用，因此非常適合為真實的多物理系統建模。
AI 代理模型可以幫助開發各種解決方案，包括天氣預報、減少發電廠溫室氣體排放以及加速清潔能源轉型。這種物理上一致的代理模型可以為真實系統的大規模數字孿生部署提供支持。
“為此，”Karniadakis 說，“本課程的重點是如何解決稀疏和雜數據中的正向和反向問題，如何發現物理定律，如何為數字孿生構建適當的代理模型，以及如何量化與模型和數據相關的不確定性。”
該套件利用了 NVIDIA Modulus，為可能不具備 AI 或編程專業知識的工程和科學社區提供支持。Modulus 借助基于 Python 的界面，提供了合適的工具，能夠以簡單的方式將控制偏微分方程和問題的其他屬性（例如物理幾何和邊界條件）與訓練數據集結合起來。
它還提供了各種參考應用作為起點，這些應用涵蓋多個領域（計算流體動力學、結構、熱學），適用于從制造到醫療健康等不同行業的問題。如需了解詳情，請參閱基于物理信息的機器學習平臺 NVIDIA Modulus 現已開源。
鑒于 AI 領域的快速變化，教育工作者可以預測，教學材料將根據需要進行更新。 NVIDIA 致力于提供最好的教學材料，歡迎反饋。
伊利諾伊大學香檳分校 (University of Illinois Urbana-Champaign) 土木與環境工程副教授 Hadi Meidani 表示：“ NVIDIA Physics-ML 教學套件為我提供了大量資源，可用于專門面向工程專業學生的機器學習課程。這些示例和代碼極大地促進了有關如何將機器學習應用于科學和工程問題的動手學習體驗。”
開始使用
教育工作者可以通過加入 NVIDIA 深度學習培訓中心 (DLI)，完全免費地訪問深度學習科學與工程教學套件（以及更多其他教學套件）。NVIDIA DLI 教學套件計劃的課程整個講座部分也可通過 NVIDIA On-Demand 獲取。
如需獲取教程內容，請聯系 Modulus 團隊。要開始使用 NVIDIA Modulus，請參閱使用 Modulus 進行基于物理信息的機器學習簡介課程。
?
