这篇文章最初发表在 NVIDIA 技术博客上。
从运输和医疗健康到制造和金融，AI 正迅速成为各行各业不可或缺的一部分。AI 为聊天机器人、推荐系统、计算机视觉应用、欺诈预防和自动驾驶汽车提供支持。它还在工程和科学领域拥有广泛的应用。
基于物理信息的机器学习 (Physics-ML) 利用物理世界的知识来训练 AI 模型，非常适合用于现实世界系统的建模。其应用范围广泛，包括预测极端天气、数据中心冷却、汽车气流动力学和蛋白质建模等领域。
图 1.Physics-ML 用于为天气、海流和潮活动等物理系统建模
学术机构在培育新兴技术和推动广泛采用这些技术所需的创新方面发挥着关键作用。无可否认，当今希望在未来工作场所取得成功的学生需要了解 AI 如何实现解决方案。
为支持这项工作， NVIDIA 正在与科学、工程和 AI 交叉领域的先驱者合作，为全球学术界的教育工作者创建首个深度学习科学与工程教学套件。
这个新的教学套件将使新一代工程师和科学家能够利用 AI 在工程和科学领域进行创新。它是与包括布朗大学应用数学和工程教授 George Karniadakis 及其团队在内的优秀学者共同创建的。
"我们与我的合作者 Raj Shukla 博士设计了这门课程，以解决科学家和工程师对特定材料的迫切需求，"Karniadakis 说，"我们专注于回归，并模仿工程课程中经典数值分析课程所需的近似理论和算法。"
教育工作者可以通过加入 NVIDIA 深度学习培训中心 (DLI) 教学套件计划，完全免费地访问深度学习科学与工程教学套件（以及更多其他教学套件）。套件包括教学材料、实验室和示例问题集，以促进将先进技术纳入课程。课程的整个讲座部分也可在 NVIDIA On-Demand 上找到。
科学与工程教学套件概述
从机械、结构和电气工程到大气科学、计算科学等各个领域的教育工作者都会发现此教学套件非常有用。套件中的材料包括深度学习的基础知识以及高级主题和动手练习。它包含 15 个总时长约为 30-35 小时的讲座、家庭作业和 20 个不同领域的项目。
适用于科学和工程的深度学习教学套件包含将理论、算法、编程和示例相结合的重点模块。亮点包括：
- Python 入门以及科学和深度学习库
- 深度神经网络架构、训练和优化
- 基于物理信息的神经网络
- 神经运算符
- 数据和不确定性量化
- 高性能计算 (HPC) 和 NVIDIA Modulus 开源框架
此内容非常适合工程和科学领域的教育工作者。模块化设计使讲师能够开发自己的定制课程版本，以满足学生的需求。
该教学套件包含适用于 Physics-ML 的专用模块，因为其具有改变跨学科 HPC 模拟工作流程的潜力，其中包括多学科物理，包括计算流体动力学、结构力学和计算化学。由于 Physics -- ML 在科学和工程领域的广泛应用，因此非常适合为真实的多物理系统建模。
AI 代理模型可以帮助开发各种解决方案，包括天气预报、减少发电厂温室气体排放以及加速清洁能源转型。这种物理上一致的代理模型可以为真实系统的大规模数字孪生部署提供支持。
"为此，"Karniadakis 说，"本课程的重点是如何解决稀疏和杂数据中的正向和反向问题，如何发现物理定律，如何为数字孪生构建适当的代理模型，以及如何量化与模型和数据相关的不确定性。"
该套件利用了 NVIDIA Modulus，为可能不具备 AI 或编程专业知识的工程和科学社区提供支持。Modulus 借助基于 Python 的界面，提供了合适的工具，能够以简单的方式将控制偏微分方程和问题的其他属性（例如物理几何和边界条件）与训练数据集结合起来。
它还提供了各种参考应用作为起点，这些应用涵盖多个领域（计算流体动力学、结构、热学），适用于从制造到医疗健康等不同行业的问题。如需了解详情，请参阅基于物理信息的机器学习平台 NVIDIA Modulus 现已开源。
鉴于 AI 领域的快速变化，教育工作者可以预测，教学材料将根据需要进行更新。 NVIDIA 致力于提供最好的教学材料，欢迎反馈。
伊利诺伊大学香槟分校 (University of Illinois Urbana-Champaign) 土木与环境工程副教授 Hadi Meidani 表示：" NVIDIA Physics-ML 教学套件为我提供了大量资源，可用于专门面向工程专业学生的机器学习课程。这些示例和代码极大地促进了有关如何将机器学习应用于科学和工程问题的动手学习体验。"
开始使用
教育工作者可以通过加入 NVIDIA 深度学习培训中心 (DLI)，完全免费地访问深度学习科学与工程教学套件（以及更多其他教学套件）。NVIDIA DLI 教学套件计划的课程整个讲座部分也可通过 NVIDIA On-Demand 获取。
如需获取教程内容，请联系 Modulus 团队。要开始使用 NVIDIA Modulus，请参阅使用 Modulus 进行基于物理信息的机器学习简介课程。