Bhoomi Gadhia – NVIDIA 技術博客

用圖神經網絡開發基于物理的機器學習模型

Tue, 06 Jun 2023 06:41:39 +0000

NVIDIA PhysicsNeMo是一個框架，用于構建、訓練和微調物理系統的深度學習模型，也稱為物理知情機器學習（physics ML）模型。現在，PhysicsNeMo 以開源軟件（OSS）的形式提供（基于 Apache 2.0 許可證），以支持不斷增長的物理 ML 社區。最新的 PhysicsNeMo 軟件更新 23 . 05 版匯集了新的功能，使研究界和行業能夠通過開源協作將研究開發成企業級解決方案此次更新的兩個主要組成部分是 1 ）支持包括圖神經網絡（ GNN ）和遞歸神經網絡（ RNN ）在內的新網絡架構，以及 2 ）提高人工智能從業者的易用性。 GNN 正在改變研究人員如何應對涉及復雜圖形結構的挑戰，例如物理、生物學和社交網絡中遇到的挑戰。通過利用圖的結構， GNN 能夠根據圖中節點之間的關系進行學習和預測。通過 GNN 的應用，

Source

]]>

基于物理的機器學習平臺 NVIDIA PhysicsNeMo 現已開源

Thu, 23 Mar 2023 08:37:54 +0000

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 PhysicsNeMo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 PhysicsNeMo 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 PhysicsNeMo 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：

Source

]]>

在 NVIDIA Base 指揮平臺上設計具有靈活工作流的數字孿生

Mon, 20 Mar 2023 08:57:19 +0000

NVIDIA Base Command Platform 提供了自信地開發復雜軟件的能力，這些軟件符合科學計算工作流程所需的性能標準。該平臺為開發人員提供高效配置和管理人工智能工作流程所需的工具，從而為人工智能開發提供云托管和本地解決方案。集成的數據和用戶管理簡化了用戶和管理員的體驗。現在，使用 NVIDIA PhysicsNeMo 和基本指揮平臺在團隊和地點之間創建高保真數字雙胞胎是 high-performance computing （ HPC ）工作流可用的最新工具。對于從預測最優 airplane maintenance schedules 到 simulating wind farms 的許多用例來說，創建和使用數字雙胞胎對于節省時間和金錢至關重要。開始使用這些用例可能會讓人望而卻步。然而，一個集成良好的解決方案會帶來所有的不同，

Source

]]>

利用人工智能和數字孿生技術減少發電廠溫室氣體排放

Mon, 31 Oct 2022 05:59:00 +0000

減少排放到大氣中的碳量是一項政治優先事項。現任美國政府計劃到 2035 年實現電網凈零碳排放，到 2050 年實現全行業零碳排放。為了實現這一目標，正在開發各種技術，利用人工智能的效率來對抗氣候變化。對于發電廠而言，開發減少碳排放、碳捕獲和儲存過程的技術需要詳細了解整個設施的相關流體力學和化學過程。這需要對流體力學、傳熱、化學反應及其相互作用程度進行科學精確的模擬。工業用例的一個重要重點是開發更高效的燃料轉換裝置。目標是創造更靈活的設備，以便設備能夠以更可靠的方式與可再生資源集成。至關重要的是要有更好的設計優化、不確定性量化和精確的數字孿生，這樣才能在不造成數十億美元損失的情況下充分處理能量轉換裝置的設計和控制。人工智能是一個自然的選擇，可以用來開發這樣的數字孿生，可以在不影響準確性的情況下提供近乎實時的預測。這篇文章解釋了物理信息機器學習（ ML…

Source

]]>

使用 NVIDIA PhysicsNeMo v22.09 增強數字孿生模型和仿真

Thu, 22 Sep 2022 08:17:00 +0000

最新版本的 NVIDIA PhysicsNeMo 是一個人工智能框架，它允許用戶為數字孿生、氣候模型和基于物理的建模與仿真創建可定制的培訓管道，現在可以下載。此次發布的物理 ML 框架 NVIDIA PhysicsNeMo v22.09 包括關鍵的增強功能，以增加神經運算符體系結構的合成靈活性，改進訓練收斂性和性能，最重要的是，顯著改進了用戶體驗和文檔。您可以從 NGC 、 NGC 下載 GitLab 容器的最新版本，或訪問 PhysicsNeMo 上的 PhysicsNeMo repo 。此更新擴展了傅里葉神經運算符（ FNO ）、物理信息神經運算符（ PINO ）和 DeepONet 網絡架構實現，以支持使用 PhysicsNeMo 中的其他內置網絡進行定制。更具體地說，通過此更新，您可以：模型并行性是作為模型并行 AFNO 的 beta 特性引入的。

Source

]]>

使用 NVIDIA PhysicsNeMo 的 Omniverse 擴展可視化交互仿真

Tue, 05 Jul 2022 07:41:00 +0000

NVIDIA PhysicsNeMo 是一個物理機器學習平臺，它將物理的力量與數據相結合，構建高保真、參數化的人工智能代理模型，作為數字孿生模型，以接近實時的延遲進行模擬。該前沿框架通過與 NVIDIA Omniverse （ OV ）平臺集成以實現實時虛擬世界仿真和全設計保真度可視化，擴展了其交互仿真能力。以前，您需要自行設置可視化管道，這是模擬和分析工作流的關鍵組件。現在，您可以將 Omniverse 中的內置管道用于常見的輸出場景，例如可視化流線和 iso 曲面，以獲得 PhysicsNeMo 訓練 AI 模型的輸出。另一個關鍵功能是能夠在改變設計參數時近實時地可視化和分析高保真仿真輸出。增加模 OV 擴展的三個關鍵優點：這是 Modular OV 擴展的第一個預覽版本， PhysicsNeMo 團隊歡迎您提出任何反饋或增強請求。

Source

]]>

使用 PhysicsNeMo 與 Omniverse 和 AI 構建科學精確的數字孿生

Tue, 19 Apr 2022 04:33:00 +0000

從物理信息神經網絡（ PINN ）到神經算子，開發人員長期以來一直在尋求通過實時傳感器數據流構建實時數字雙胞胎的能力，這種雙胞胎具有真實形式的渲染、強健的可視化以及與現實世界中的物理系統的同步。 PhysicsNeMo 的最新發布讓我們更接近這個現實。 PhysicsNeMo 22.03, 用于開發基于物理的機器學習模型的前沿框架，為開發人員提供了關鍵功能，如新穎的物理知識和數據驅動的人工智能架構，以及與 Omniverse （ OV ）平臺的集成。本次發布朝著使用 PhysicsNeMo OV 擴展為工程師和研究人員構建精確模擬和交互式可視化功能邁出了重要一步。這種增強得到了新的人工智能體系結構的支持，這種體系結構可以使用神經算子從數據中學習。在這個最新版本的模中添加了其他增強功能，以便于對湍流等問題進行精確建模，以及改進訓練收斂性的功能。

Source

]]>