NVIDIA打造人工智慧框架以学习物理定律

NVIDIA Modulus大力推动数位孪生分析应用，如热回收锅炉的多物理分析。（图／业者提供）

NVIDIA（辉达）宣布推出一款人工智慧（AI）框架，让工程师、科学家和研究人员能取得一个可自订、易于采用，且以物理学为基础的工具套件，以建立数位孪生（digital twin）神经网路模型，协助加快处理当代最为棘手的问题。

NVIDIA Modulus是一个用于开发物理机器学习模型的框架，旨在推动AI在许多领域的发展，这些领域对AI和物理驱动的数位孪生功能需求快速成长，但却缺乏AI专业知识，例如蛋白质工程和气候科学。

数位孪生已经成为解决多项难题的有力工具，无论是小分子药物开发领域，或是全球所面临的气候变迁挑战皆然。科学家可以利用NVIDIA Modulus框架，以极为准确的数位方式复制复杂的动态系统，使得各行各业有机会找出新一代的突破性研究成果。

Modulus训练神经网路使用物理学基本定律，以模拟多个领域中复杂的系统行为。接着可在数位孪生的多种应用程式中使用替代模型，像是从工业应用实际案例与气候科学。

与大多数基于AI的做法相同，Modulus包括一个资料准备模组，协助管理观察到或模拟出的资料。它还解释了它所模拟之系统的几何形状，以及输入几何形状所代表的空间明确参数。

Modulus的主要工作流程及要素包括采样规划器让用户能够选择一种方法提高训练模型的收敛性及准确性，如准随机抽样或重要抽样。基于 Python的应用程式介面（API），可使用符号来控制偏微分方程式，以及建立以物理学为基础的神经网路。经过验证的精选层和网路架构能有效解决物理学相关的问题。物理机器学习引擎利用这些输入使用PyTorch、TensorFlow、GPU加速的cuDNN，和多GPU和多节点扩展的NVIDIA Magnum IO来训练模型。

GPU加速的工具套件有着飞快的处理能力，补充传统分析方法的不足之处，以在更短时间内取得更深入的洞察。使用者可以透过Modulus框架评估修改参数的影响，以探索系统不同的配置和情境。

Modulus基于TensorFlow高效能应用，利用XLA的优势来最佳化效能。XLA是一款特定领域的线性代数编译器，可以加快TensorFlow模型的运作。它运用Horovod分散式深度学习训练框架进行多GPU扩展。

在训练好模型之后，Modulus便能即时或以互动方式进行推论。相较之下，过去必须在运行完一次才能进行评估，且每次运行都要耗费大量运算资源。

可自订又易于采用的Modulus为实行新的物理学和几何学提供了API。设计Modulus的目的在于协助那些刚开始使用以AI驱动的数位孪生应用程式的人，能快速地使用它。

Modulus框架提供逐步教学内容，协助人们开始处理计算流体力学和热传导领域的问题。Modulus还为不同的应用领域提供越来越多的执行清单，如模拟乱流、暂态波动方程式、Navier-Stokes方程式、马克斯威尔电磁波方程式、逆问题（inverse problems）与其他多重物理问题。