英伟达近日推出了一个框架 Modulus，可用于在需要高水平物理精度的行业中开发「基于物理的」机器学习模型。英伟达表示，Modulus 训练 AI 系统使用物理定律对系统在一系列领域的行为进行建模，包括气候科学和蛋白质工程。
「数字孪生」模拟方法已在许多领域流行起来。例如，总部位于伦敦的 SenSat 帮助建筑、采矿、能源和其他行业的客户为他们正在进行的项目创建位置模型。GE 提供的技术允许公司对实际机器的数字孪生进行建模并密切跟踪性能。微软提供了 Azure Digital Twins 和 Project Bonsai，它们在模拟环境中对人、地点和设备之间的关系和交互进行建模。
Gartner 预测，到 2020 年，50% 的大型制造商将至少启动一项数字孪生计划，而从 2018 年到 2022 年，使用数字孪生的组织数量将增加两倍。市场与市场部估计，到 2026 年，全球数字孪生技术市场将从 2020 年的 31 亿美元增至 482 亿美元。
英伟达高级产品营销经理 Jay Gould 在一篇博客文章中表示：「数字孪生已成为解决从药物发现等分子水平到气候变化等全球挑战等问题的强大工具…… Modulus 为科学家们提供了一个 [工具包] 来构建复杂和动态系统的高度准确的数字复制品，这将在广泛的行业中实现下一代突破。」
物理框架
英伟达将 Modulus 描述为一个框架，该框架是在该公司 2021 年秋季 GPU 技术大会（GTC）期间宣布的，它是为工程师、科学家和研究人员提供构建数字孪生 AI 模型的工具的框架。与大多数基于 AI 的方法一样，Modulus 包含一个数据准备模块，可帮助管理观察到或模拟的数据，考虑其建模的系统的几何形状以及输入几何形状表示的空间的显式参数。
GTC 链接：https://www.nvidia.com/gtc/?ncid=ref-spo-426091#cid=gtcnov21_ref-spo_en-us
Modulus 包括一个抽样规划器，使用户能够选择一种方法，例如准随机抽样或重要性抽样，以提高模型的准确性。该框架还附带 API，以采用符号控制偏微分方程和构建物理模型，以及为基于物理的问题量身定制的精选层和网络架构。
此外，Modulus 提供了一个「物理机器学习」引擎，该引擎使用机器学习框架（包括 Facebook 的 PyTorch 和谷歌的 TensorFlow）获取输入来训练模型。该工具包的基于 TensorFlow 的实现通过利用 XLA（一种用于加速 TensorFlow 模型的线性代数领域特定编译器）来优化性能。利用 Horovod 分布式深度学习训练框架进行多 GPU 扩展，一旦模型经过训练，Modulus 就可以近乎实时或交互式地执行推理。
Modulus 包括计算流体动力学、传热、湍流建模、瞬态波动方程和其他多物理场问题的入门教程。它现在可以通过英伟达开发人员区免费下载。
「GPU 加速工具包提供快速周转，补充传统分析，实现更快的洞察力。Modulus 允许用户通过评估更改其参数的影响来探索系统的不同配置和场景。」Gould 写道，「Modulus 可定制且易于采用。它提供了用于实现新物理和几何的 API。它的设计目的是让那些刚开始使用 AI 驱动的数字孪生应用程序的人可以快速投入使用。」
包括 Alphabet 的 DeepMind 在内的公司已经研究将人工智能系统应用于物理模拟。去年 4 月，DeepMind 描述了一个模型，可以预测玻璃分子在液态和固态之间转换时的运动。除了玻璃材料，研究人员断言这项工作可能会导致制造业和医药等行业的进步，包括用于药物输送的可溶解玻璃结构和可再生聚合物。
相关报道：https://venturebeat.com/2021/11/09/nvidia-launches-modulus-a-framework-for-developing-physics-grounded-ai-models/

内容中包含的图片若涉及版权问题，请及时与我们联系删除