NVIDIA Modulus
一种用于开发物理机器学习神经网络模型的框架
NVIDIA Modulus 是一种神经网络框架，它以控制偏微分方程 (PDE) 形式将物理学的力量与数据相结合，以构建具有近乎实时的延迟的高保真参数替代模型。无论您是想着手解决 AI 驱动的物理问题，还是为复杂的非线性多物理系统设计数字孪生模型，NVIDIA Modulus 都可以为您的工作提供支持。
[演示]：借助 FourCastNet 加速极端天气预测
[演示]：使用 NVIDIA Modulus 和 Omniverse，实现西门子能源公司的 HRSG 数字孪生模拟
[演示]：使用尾流优化更大限度地增加风能发电
优势
可扩展性能
通过从单 GPU 扩展到多节点实施，更快地解决更重大的问题。
AI 工具套件
提供基础模组，用以开发将物理和数据相结合的物理机器学习替代模型。该框架可推广到不同的领域和用例：从工程模拟到生命科学，从前向模拟到反向/数据同化问题。
近乎实时的推理
提供参数化的系统表示，可近乎实时地处理多个场景，让您离线训练一次即可反复进行实时推理。
易于采用
包括供领域专家在更高抽象层面工作的 API。可将详细的参考应用作为起点，扩展至新应用。
Modulus 多 GPU 和多节点性能
NVIDIA Modulus 支持使用 Horovod 进行多 GPU 和多节点扩展。利用此功能，可以使用 NVIDIA 集合通信库 (NCCL) 和消息传递接口 (MPI) 进行聚合通信，从而支持多个进程，每个进程都以单个 GPU 为目标。
此图展示了在 4 个 NVIDIA DGX-1™ 系统中多达 32 个 NVIDIA V100 Tensor Core GPU 上运行的 Modulus 在处理现场可编程门阵列 (FPGA) 测试问题时展现出的弱扩展性能。从 1 个 GPU 到 32 个 GPU 的扩展效率超过 85%。这些数据使用 Modulus v. 21.06 收集。
跨多个 GPU 的 Modulus 弱扩展
特性
Modulus 是一种多物理框架，可推广到由参数化几何图形支持的多种配置。借助参数化几何图形，Modulus 可通过对所有配置的单一训练实现快速的设计空间探索。
PhysicsML 训练流程
Modulus 提供了一个框架，用于对 PDE 以及边界条件进行建模。从设置来自几何图形的输入张量到大规模训练，它均可提供端到端流程。
显式参数化
Modulus 提供了显式参数规格，用于训练具有一系列要学习的设计空间相关值的替代模型，以及同时推理多个场景。
新型神经网络架构
其中包括对基于物理信息的机器学习非常有效的精巧神经网络架构，例如傅里叶特征网络、正弦表示网络或傅里叶神经算子和自适应傅里叶神经算子。
有关 Modulus（以前称为 SimNet）的更多详细信息，请参阅 NVIDIA SimNet: An AI-Accelerated Multi-Physics Simulation Framework（NVIDIA SimNet：AI 加速的多物理模拟框架）。本文介绍了神经网络求解器方法、Modulus 架构以及有效求解 PDE 所需的特征。它还包括现实世界的许多用例，包括前向、参数化、存在扰动和用于工业设计优化的复杂 3D 几何图形的多物理模拟，以及传统求解器无法高效解决的反向和数据同化问题。
Omniverse 集成
在 22.03 版本中推出
Modulus 现已通过 Modulus 扩展程序与 NVIDIA Omniverse™ 集成，可用于将 Modulus 训练的模型的输出可视化。借助该扩展程序，您可以将输出结果导入可视化流程，用于常见的输出场景，例如流线和等值面。它还提供了一个接口，支持对设计变量和参数进行交互式探索，以推理新的系统行为并将其近乎实时地可视化。
Omniverse 集成文档其他人的评价
“[Modulus] 清晰的 API、简洁易用的可导航代码、环境和硬件配置在 Docker、可扩展性、部署简便性方面表现出色，而且实力强大的支持团队使其易于采用，并提供了一些非常有前景的结果。到目前为止，效果很棒，我们期待在更大范围的问题上使用 [Modulus]。”
– 斯坦福大学博士生 Cedric Frances
“[Modulus] 是一个基于 AI 的物理模拟工具套件，具备在工业和科学模拟中发挥惊人功能的潜力。”
– NVIDIA 计算软件副总裁 Christopher Lamb
“我们认为 [Modulus] 具备一些独特的功能，例如用于处理多物理问题的参数化几何图形以及多 GPU/多节点神经网络实施。我们期待将 [Modulus] 纳入我们的研究和教学活动。”
– 伊利诺伊大学厄巴纳-香槟分校土木与环境工程教授 Hadi Meidani
Siemens Gamesa 与 NVIDIA 的合作意义非凡，意味着在计算流体力学等复杂领域，我们在加快最新算法开发的计算速度和部署速度方面迈出了一大步。
– Siemens Gamesa 的 Sergio Dominguez
数据中心规模的 AI 加速计算有望将性能提升百万倍，以应对减缓气候变化、研发药物和寻找新的可再生能源等挑战。NVIDIA 支持 AI 的科学数字孪生框架赋能研究人员寻求解决这些重大问题的解决方案。
– NVIDIA 加速计算副总裁 Ian Buck