基于物理的機器學習( Physics ML )正在轉型高性能計算( HPC )跨學科的模擬工作流程,包括計算流體動力學、結構力學和計算化學。由于其廣泛的應用,物理 ML 非常適合建模物理系統,并在從制造業到氣候科學的各個行業部署數字孿生。
NVIDIA Modulus是一個最先進的物理 ML 平臺,它將物理與深度學習訓練數據相結合,以建立高保真、參數化的代理模型,并具有接近實時的延遲。使用 NVIDIA Modulus 構建的代理模型有助于廣泛的解決方案,包括天氣預報,減少發電廠溫室氣體和加速清潔能源轉型.
NVIDIA Modulus 客戶的成功案例正在證明該平臺在各個行業中具有令人難以置信的實用性。然而,物理 ML 在深度學習領域是一個相對較新的領域,在研究層面和應用方面都面臨著重大挑戰。這是由于滿足物理 ML 規則所需的獨特要求:
- 需要一個深度學習模型來遵守物理系統的控制原則。
- 對于特定類別的問題,例如那些能夠滿足流體力學定律的問題,需要新的深度學習模型架構。
- 對可在不同應用程序中提供服務的通用模型體系結構和算法的需求。
這些挑戰需要在多個領域進行創新和研究。更重要的是,這些問題需要各個領域、行業和深度學習專家之間的大力合作。這種水平的合作需要工具和技術來消除研究人員、團隊甚至行業之間的障礙,使社區能夠在彼此的工作基礎上發展。
由于模擬對這些學科和使用它們的行業至關重要,因此需要建立并證明人工智能能夠滿足和超越當前模擬方法的信心。這需要透明度,這樣研究才能發現局限性并提供突破,從而實現更具變革性的技術。
現在,為了促進所需的協作、透明度和問責制, NVIDIA Modulus 已成為一個可用于物理 -ML 的開源平臺。
Physics ML 開源工作流
這種新的開源環境在以下幾個方面為各行各業的人工智能開發人員和領域專家帶來了巨大的好處:
- 協作:開源工作流程使您能夠更輕松地與同事合作,并與更廣泛的社區分享您的工作。通過公開訪問數據、代碼和方法,您可以更有效地合作解決復雜的物理 ML 問題。
- 透明度:開源工作流程可以提高物理學 ML 研究的透明度和再現性。通過發布代碼和數據,你可以讓其他研究人員驗證和復制你的結果,這有助于建立對科學發現的更大信任。
- 創新:開源工作流程可以讓你更容易地建立在其他研究人員的工作基礎上,從而促進創新。通過提供對共享工具和技術庫的訪問,開源工作流程可以幫助加快發現的步伐,提高研究成果的質量。
- 可訪問性:開源工作流程有助于讓更廣泛的利益相關者更容易獲得研究,包括藥物開發經理、國家實驗室主任、政策制定者、記者和公眾。通過提供關于基于物理的建模研究的清晰、可訪問的信息,開源工作流可以幫助建立更大的意識和理解。
總的來說,開源工作流程可以幫助人工智能開發人員、工程和科學領域專家進行更協作、透明、創新的工作,并具有更大的可訪問性,以增強他們研究的影響力和相關性。
訪問 NVIDIA Modulus 開源軟件
NVIDIA Modulus 可以作為開源軟件( OSS ),使用簡單的 Apache 2.0 許可證。
本次更新的一部分包括為參考應用程序開發物理 ML 模型的方法。無論你在哪個領域,你都可以自由使用、發展和貢獻。您可以訪問適合不同工作流的開源存儲庫,從本機PyTorch從開發者到工程師,從符號的角度思考偏微分方程.
在過去的幾年里, NVIDIA Modulus 團隊與企業規模的客戶和人工智能研究人員合作,擴大了平臺的能力。該平臺現在涵蓋了更多的領域,涵蓋了數據驅動和物理驅動的方法,并在工業規模上解決了問題。
因此, NVIDIA Modulus 還包括數據驅動的神經算子系列架構,包括圖神經網絡和物理知情神經網絡。例如,您現在可以在 NVIDIA Modulus 上設計氣候模擬FourCastNet,一個物理 ML 模型,以前所未有的速度和準確性模擬全球天氣模式的動態(視頻 1 )。
視頻 1 。利用 FourCastNet 加速極端天氣預報
雖然參考樣本是工程師和開發人員的一個很好的起點,但在一端對可推廣模型進行基礎研究,以及將這些模型應用于各種現實世界的應用方面,仍有許多工作要做。這只有通過社區驅動的努力才能實現,并在充分利用此類技術的潛力方面為社區服務。
在中查找完整的 Modulus 源代碼NVIDIA/modulusGitHub 在早上。
免費注冊出席 GTC ,了解突破性技術如何塑造世界。添加以氣候科學和地球 2 為重點的會議加入您的會議議程。