物理學 ML – NVIDIA 技術博客

NVIDIA 深度學習培訓中心（DLI）推出科學與工程教學套件

Mon, 13 Nov 2023 07:26:44 +0000

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。

Source

]]>

借助 AI 代理提供更好的特定于患者的心血管護理

Thu, 09 Nov 2023 07:45:23 +0000

斯坦福大學的一個團隊正在利用 AI 的強大功能推動近乎實時的心血管模擬來改變心臟健康。研究人員利用基于物理信息的機器學習替代模型，生成準確的、針對患者特定的血流可視化結果，以打開心臟研究的非侵入性窗口。從評估冠狀動脈動脈瘤到開創先天性心臟病的新手術方法以及提高醫療設備的有效性，這項技術具有深遠的影響。這項工作在推動心血管醫學發展方面具有巨大潛力，可以為消除美國的主要死亡原因提供創新方法。心血管模擬是針對患者特定治療多種心臟相關疾病的重要推動因素。使用有限元方法對血液流動進行 3D 計算流體動力學 (CFD) 模擬是一項具有計算挑戰性的任務，在臨床實踐中尤為如此。作為替代方案，我們經常使用基于物理性質的降序模型 (ROM)，因為其效率更高。但是，此類 ROM 依賴于對血管幾何形狀、復雜性或簡化數學模型的簡化假設，通常無法對感興趣的數量進行建模，例如準確的血管接頭處壓力損失，

Source

]]>

借助 Siml.ai 和 NVIDIA PhysicsNeMo 實現替代建模工程工作流程的 AI 驅動型仿真工具

Mon, 02 Oct 2023 04:33:29 +0000

模擬對于復雜的工程挑戰至關重要，例如設計核聚變反應堆、優化風電場，開發碳捕獲和封存技術或構建氫電池。設計此類系統通常需要對科學模擬進行多次迭代，而這些迭代的計算成本高昂。求解器和參數通常必須針對所研究的每個系統單獨進行調整。得益于 AI 和基于物理信息的機器學習 (Physics-ML) 框架，例如 NVIDIA PhysicsNeMo。現在，我們可以克服這些挑戰并加速這些模擬。 NVIDIA PhysicsNeMo 是一個開源物理機器學習平臺。該模型將物理學與深度學習訓練數據相結合，以構建具有近乎實時延遲的高保真、參數化代理模型。工程師和科學家可以使用 NVIDIA PhysicsNeMo 探索和構建基于物理性質的 AI 代理模型。這些原則正在應用于從制造到醫療健康等各種解決方案中，包括高性能計算(HPC)擴展應用程序，例如天氣預測和工業數字孿生.

Source

]]>

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

]]>