NVIDIA crea un framework per l’intelligenza artificiale per l’apprendimento della fisica
Il framework NVIDIA Modulus addestra modelli di fisica-ML all’avanguardia per potenziare i gemelli digitali industriali, la scienza del clima, l’ingegneria delle proteine e altro ancora.
Contribuendo ad accelerare il lavoro su alcuni dei problemi più impegnativi del nostro tempo, NVIDIA ha annunciato un framework AI che fornisce a ingegneri, scienziati e ricercatori un toolkit personalizzabile, facile da adottare e basato sulla fisica per costruire modelli di rete neurale di gemelli digitali.
NVIDIA Modulus, un framework per lo sviluppo di modelli di fisica-ML, è progettato per potenziare un’ampia gamma di settori in cui le competenze sull’intelligenza artificiale sono scarse, ma la necessità di funzionalità di digital twin basate sull’intelligenza artificiale e sulla fisica sta crescendo rapidamente, come nell’ingegneria delle proteine e nella scienza del clima .
I gemelli digitali sono emersi come potenti strumenti per affrontare problemi che vanno dal livello molecolare come la scoperta di farmaci fino alle sfide globali come il cambiamento climatico. NVIDIA Modulus offre agli scienziati un framework per creare riproduzioni digitali altamente accurate di sistemi complessi e dinamici che consentiranno la prossima generazione di innovazioni in una vasta gamma di settori.
Reti neurali basate sulla fisica
Modulus addestra le reti neurali a utilizzare le leggi fondamentali della fisica per modellare il comportamento di sistemi complessi in un’ampia gamma di campi. Il modello surrogato può quindi essere utilizzato in varie applicazioni dei gemelli digitali, dai casi d’uso industriale alla scienza del clima.
Come nella maggior parte degli approcci basati sull’intelligenza artificiale, Modulus include un modulo di preparazione dei dati che aiuta a gestire i dati osservati o simulati. Tiene conto anche della geometria dei sistemi che modella e dei parametri espliciti dello spazio rappresentato dalla geometria di input.
Il flusso di lavoro e gli elementi chiave di Modulus includono:
Pianificatore di campionamento, che consente all’utente di selezionare un approccio, come il campionamento quasi casuale o il campionamento di importanza, per migliorare la convergenza e l’accuratezza del modello addestrato.
API basate su Python per prendere equazioni differenziali parziali governative simboliche e costruire reti neurali basate sulla fisica.
Strati curati e architetture di rete che si sono dimostrate efficaci per problemi basati sulla fisica.
Motore Physics-ML, che utilizza questi input per addestrare il modello utilizzando PyTorch e TensorFlow, cuDNN per l’accelerazione GPU e NVIDIA Magnum IO per il ridimensionamento multi-GPU e multinodo.
Tempi di consegna rapidi
Il toolkit con accelerazione GPU offre un rapido turnaround che integra l’analisi tradizionale, consentendo approfondimenti più rapidi. Modulo consente agli utenti di esplorare diverse configurazioni e scenari di un sistema valutando l’impatto della modifica dei suoi parametri.
L’implementazione basata su TensorFlow ad alte prestazioni di Modulus ottimizza le prestazioni sfruttando XLA, un compilatore specifico del dominio per l’algebra lineare che accelera i modelli TensorFlow. Utilizza il framework di formazione di apprendimento profondo distribuito Horovod per il ridimensionamento multi-GPU.
Una volta addestrato un modello, Modulus può eseguire l’inferenza quasi in tempo reale o in modo interattivo. Al contrario, l’analisi tradizionale deve essere valutata un’esecuzione alla volta e ciascuna è computazionalmente costosa.
Facile da adottare
Il modulo è personalizzabile e di facile adozione. Offre API per l’implementazione di nuova fisica e geometria. È progettato in modo che chi ha appena iniziato con le applicazioni digital-twin basate sull’intelligenza artificiale possa farlo funzionare rapidamente.
Il framework include tutorial passo passo per iniziare con la fluidodinamica computazionale, il trasferimento di calore e altro ancora. Offre anche un elenco crescente di implementazioni per domini applicativi come la modellazione della turbolenza, equazioni delle onde transitorie, equazioni di Navier-Stokes, equazione di Maxwell per l’elettromagnetismo, problemi inversi e altri problemi multifisici.
