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。
圖形神經網絡支持
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，研究人員可以將系統建模為圖或網格。這種能力在計算流體動力學、分子動力學模擬和材料科學等應用中很有用
使用 GNN ，研究人員可以更好地了解具有復雜幾何結構的復雜系統的行為，并根據學習到的模式和數據中的相互作用生成更準確的預測。
NVIDIA PhysicsNeMo 的最新版本支持 GNN，使您能夠為特定用例開發自己的基于 GNN 的模型。PhysicsNeMo 包括基于Learning Mesh-Based Simulation with Graph Networks的體系結構，其中包括MeshGraphNet model，可在參數化旋渦脫落數據集上進行預訓練。此預訓練模型可通過 NVIDIA 從NGC獲得。
PhysicsNeMo 還包括在GraphCast: Learning Skillful Medium-Range Global Weather Forecasting中提出的新型基于 GNN 的架構，用于全球天氣預報。GraphCast 通過有效地捕捉天氣數據中的時空關系，顯著改進了一些現有模型。它將天氣數據建模為圖形，其中節點表示地球網格單元，這種基于圖的表示使模型能夠捕獲數據中的本地和非本地依賴關系。
這個GraphCast架構由四個主要組件組成：嵌入器、編碼器、處理器和解碼器。嵌入器將輸入特征嵌入到潛在表示中。編碼器將網格潛在特征的局部區域映射到多網格圖表示的節點中。處理器利用學習的消息傳遞來更新每個多網格節點。
最后，解碼器將處理后的多網格特征映射回網格表示。多重網格是一組二十面體網格，其分辨率不斷提高，在全球范圍內提供均勻的分辨率。PhysicsNeMo-Launch 中的 GraphCast 訓練配方支持ERA-5 數據集的數據并行性。圖 1 顯示了在 ERA-5 數據集的 34 個變量子集上使用 PhysicsNeMo 中訓練的 GraphCast 模型對 2 米溫度的樣本外預測結果。
GraphCast 實現支持梯度檢查點，以減少存儲器開銷。它還提供了一些優化，包括CuGraphOps支持、融合層規范、Adam 優化器使用Apex、高效的邊緣功能更新等等。
遞歸神經網絡支持
時間序列預測是許多領域的關鍵任務。深度學習架構的應用，特別是 RNN 、長短期記憶網絡（ LSTM ）和類似網絡的應用，顯著增強了預測能力
這些模型在捕捉時間依賴性和學習隨時間變化的復雜模式方面是獨特的，這使它們非常適合預測時變關系。在物理學 ML 中，這些模型在預測動態物理系統的進化、實現更好的模擬、理解復雜的自然現象和幫助發現方面至關重要
PhysicsNeMo 的最新版本增加了對 RNN 類型層和模型的支持，使您能夠在模型預測工作流中將 RNN 應用于2D 空間域和3D 空間域。圖 2 展示了 PhysicsNeMo 中 RNN 模型的預測與 Gray-Scott 系統的實際結果之間的比較。
易于使用的模塊
PhysicsNeMo 代碼庫已被重新構建為模塊，以便于使用。這與PyTorch相符，由于其易用性，近年來已成為研究人員最受歡迎的深度學習框架之一。
核心 PhysicsNeMo 模塊由物理 ML 模型的核心框架和算法組成。PhysicsNeMo-Launch 模塊由優化的訓練配方組成，可以加速類似 PyTorch 的訓練模型的工作流，讓人工智能研究人員能夠獲得類似 PyTorch 的體驗。NVIDIA PhysicsNeMo Sym是一個基于符號偏微分方程（ PDE ）的模塊，可以讓領域專家用來訓練基于 PDE 的物理 ML 模型。
現代深度學習框架的一個關鍵特征是它們的互操作性。這個 PhysicsNeMo 版本使人工智能開發人員更容易將 PyTorch 模型引入 PhysicsNeMo ，反之亦然。這有助于確保模型可以在不同的平臺和環境中共享和重用
想要了解 PhysicsNeMo 23.05 中所有新功能的更多信息，請訪問 PhysicsNeMo 發行說明。
立即開始使用 GNN 進行物理 ML
想要了解更多關于 NVIDIA PhysicsNeMo 的信息并開始使用，請參閱 NVIDIA 深度學習學院的課程 PhysicsNeMo 物理信息機器學習入門。您可以使用 PhysicsNeMo LaunchPad 的免費實踐實驗室獲得短期訪問，無需設置自己的計算環境。
要在您自己的環境中嘗試 PhysicsNeMo，請下載最新的 PhysicsNeMo 容器或安裝 PhysicsNeMo pip 輪子。要定制并為 PhysicsNeMo 開源框架做出貢獻，請訪問 NVIDIA/physicsnemo GitHub 。
?
