这篇文章最初发表在 NVIDIA 技术博客上。
模拟对于复杂的工程挑战至关重要，例如设计核聚变反应堆、优化风电场，开发碳捕获和封存技术或构建氢电池。设计此类系统通常需要对科学模拟进行多次迭代，而这些迭代的计算成本高昂。求解器和参数通常必须针对所研究的每个系统单独进行调整。得益于 AI 和基于物理信息的机器学习 (Physics-ML) 框架，例如 NVIDIA Modulus。现在，我们可以克服这些挑战并加速这些模拟。
NVIDIA Modulus 是一个开源物理机器学习平台。该模型将物理学与深度学习训练数据相结合，以构建具有近乎实时延迟的高保真、参数化代理模型。工程师和科学家可以使用 NVIDIA Modulus 探索和构建基于物理性质的 AI 代理模型。这些原则正在应用于从制造到医疗健康等各种解决方案中，包括高性能计算(HPC)扩展应用程序，例如天气预测和工 业数字孪生.
DimensionLab 是一个 NVIDIA Inception 合作伙伴，这是一家专为工程师、科学家、制造商和创作者构建新一代工具的软件工作室。随着对用户体验、简单性和现代设计的日益关注，DimensionLab 团队正在利用科学机器学习领域的最新进展，彻底改变将数值模拟用于技术和产品开发的方式。
DimensionLab 在认识到 NVIDIA Modulus 的巨大潜力后，将其作为其旗舰产品的支柱，这是一个用于 AI 驱动工程的网络平台，称为 Siml.ai。
为领域专家简化 AI 代理建模
Siml.ai 在其模型工程师应用程序中，该应用程序基于 Modulus 接口构建，使领域专家能够以符号形式使用治理偏微分方程来表达他们对系统的理解，而不是依赖深度学习模型的损失函数来捕获此类信息。
模型工程师的目标是简化整个流程，包括：
- 从传统的模拟导出或物理传感器中构建大型数据集，这些传感器可从现实世界的实验中收集精确的测量结果。
- 为模拟器所需的功能和约束构建正确的模型架构。
- 在高性能、GPU 驱动的云或 HPC 中心训练和积极优化可学习模拟器，而无需处理管理云基础设施的复杂性。
Model Engineer 中的流程图式可视化编辑器会设置问题，以便在 Modulus 平台上启动训练。在幕后，流程图的可视化表示被编译成 NVIDIA Modulus API 调用。它表示整个模拟器状态，包括参数化变量、神经网络架构、几何图形或约束。
您可以将 CAD 几何图形拖放到几何图形节点中，然后这些几何图形自动转换为适用于 NVIDIA Modulus 曲面细分模块的 STL.这些几何图形同时转换为适用于 3D 几何查看器的快速 Web 格式。
图 1.Siml.ai 模型工程师提供了用于快速模拟器原型设计的流程图式可视化编辑器
这些 Siml.ai 交互式和可视化工具让工程师和科学家能够专注于探索物理 ML 模型以进行物理模拟，而无需处理其复杂性。他们只需通过平台创建和部署环境，即可开始训练模拟模型。环境使用模拟器推理和训练环境 (SITE)，这是一种容器化解决方案，可以完成所有繁重的工作，将模拟器的视觉表示编译为可训练的 Modulus 模拟器的代码。SITE 针对 NVIDIA GPU 进行了优化，并提供了使用 AI 驱动的模拟器所需的一切。
Siml.ai 平台的第二部分是一款用于实时可视化模拟结果的工具，名为 Simulation Studio.这是一款基于 Unreal Engine 及其像素流功能的混合应用程序(基于 Web 的和原生的)。它在云中运行渲染，并将渲染的帧作为视频流发送到 Siml.ai 前端。
用户可以将在 Model Engineer 中创建的参数化模拟器加载到 Simulation Studio 中，以创建交互式数字孪生，从而实现快速的虚拟物理实验工作流程。
图 2.Siml.ai 中的 Simulation Studio 封装了参数化代理 AI 模型，以使用 Unreal Engine 提供交互式模拟探索
Physics-ML 代理模型可节省成本和时间
为了展示这些新工具和工作流对利用 Physics-ML 的影响，DimensionLab 的开发者使用 Siml.ai 进行了一项特定的客户案例研究。其目标是量化 NVIDIA Modulus 和 Siml.ai 等框架在为预算有限的小型咨询公司构建 Physics -- ML 模型方面的价值。其目标是提供与行业标准仿真软件输出相当的 AI 解决方案，但成本和时间却很低。
该客户需要对流入水电厂的河流进行数值模拟，以分析过去事件造成的洪水损失。他们花了 4 年时间在一个热门的数值求解器中完成并微调了数学模型，并且花了几个月的时间处理复杂的几何网格。
与经典建模和仿真方法不同，DimensionLab 的开发者帮助客户应用了 Physics-ML 方法来应对这一工程挑战。他们在 Siml.ai 中创建了多个可比较的 AI 驱动仿真，这些仿真利用了 NVIDIA Modulus 框架中的 Navier-Stokes 方程、基于物理信息的神经网络和里叶神经运算符。
这些模型仅用了 3 周时间就完成了多次不同配置和参数设置的开发和训练，与该公司之前尝试的方法相比，节省了 96%的成本和时间。
工程资源仿真
如需了解更多详情，请参阅 Siml.ai 文档 和 Siml.ai 培训内容。您也可以在 Siml.ai 博客 上阅读有关该工具的更多信息。
如需了解有关 Physics-ML 和 NVIDIA Modulus 的更多信息，请查看 NVIDIA 深度学习培训中心 (DLI) 的课程，使用 Modulus 进行物理信息机器学习的介绍，并访问 NVIDIA/modulus GitHub 上的存储库。
详细了解 NVIDIA Inception，它旨在帮助初创公司通过尖端技术更快地发展，获得与风险资本家建立联系的机会，并获得 NVIDIA 提供的最新技术资源。