1. [主页](/) 2. NVIDIA PhysicsNeMo # NVIDIA PhysicsNeMo NVIDIA PhysicsNeMo 是一个开源 Python 框架，用于大规模构建、训练和微调物理 AI 模型。 NVIDIA PhysicsNeMo 提供的实用程序使开发者能够构建 AI 代理模型，将物理驱动的因果关系与模拟和观察到的数据相结合，实现实时预测。从神经算子、GNN 到生成式 AI 模型，开发者可以开发专有 AI 模型来增强工程模拟，并生成保真度更高的数据，以实现可扩展、响应灵敏的设计。NVIDIA PhysicsNeMo 支持在多个物理领域创建和验证大规模数字孪生模型，覆盖从计算流体力学、结构力学到电磁学等多种方向。 使用 NVIDIA PhysicsNeMo，可借助 AI 增强工程仿真能力。您可以在多个物理领域（包括计算流体力学、结构力学和电磁学）中构建并验证适用于企业级数字孪生应用的模型。 [下载容器](https://catalog.ngc.nvidia.com/orgs/nvidia/teams/physicsnemo/containers/physicsnemo "Github Repo")[文档](https://docs.nvidia.com/modulus/index.html "Github Repo")[数据表](https://nvdam.widen.net/s/gfcwrp7mq2/hpc-for-dev-modulus-datasheet "Github Repo") ## 用于代理模型的物理信息机器学习 ![NVIDIA PhysicsNeMo framework supports physics-informed machine learning for surrogate models](https://d29g4g2dyqv443.cloudfront.net/sites/default/files/akamai/modulus/nvidia-modulus-850x720.svg) * * * ## NVIDIA PhysicsNeMo 新功能 ### NVIDIA AI Physics 改变航空航天和汽车设计 – 将工程速度提高 500 倍 NVIDIA、行业领导者和软件工具提供商利用 AI 驱动的仿真和建模重塑计算工程。 [阅读新闻稿](https://nvidianews.nvidia.com/news/nvidia-ai-physics-aerospace-automotive-design-engineering) ### NVIDIA Blackwell 加速计算机辅助工程软件生态系统 包括 Ansys、Altair、Cadence、Siemens 和 Synopsys 在内的领先软件提供商均已采用 NVIDIA Blackwell [阅读新闻稿](https://nvidianews.nvidia.com/news/nvidia-blackwell-accelerates-computer-aided-engineer[%E2%80%A6]oftware-by-orders-of-magnitude-for-real-time-digital-twins) ### 领先的气候技术公司采用 Earth-2 实现更快、更准确的预测和防灾 总部位于阿布扎比的 AI 公司 G42、JBA 再保险公司、AXA 保险等率先采用 NVIDIA Omniverse 蓝图进行地球-2 天气分析。 [阅读新闻稿](https://nvidianews.nvidia.com/news/nvidia-earth-2-climate-tech-weather-prediction-disaster-preparedness) * * * ## 特性 ### 物理 AI 模型架构 NVIDIA PhysicsNeMo 提供了各种专为训练物理 AI 模型而调整的方法，从纯粹的物理驱动模型 (例如基于物理信息的神经网络 (PINN)) 到基于物理的数据驱动架构 (例如神经算子、图形神经网络 (GNN) 和基于生成式 AI 的扩散模型) ，不一而足。 NVIDIA PhysicsNeMo 包括精选的物理-ML 模型架构、傅里叶特征网络、傅里叶神经算子、GNN、点云和扩散模型，这些模型在 [NVIDIA DGX](https://www.nvidia.cn/data-center/dgx-systems/)™ 上通过[文档](https://docs.nvidia.com/deeplearning/modulus/index.html)中的开源免费数据集进行训练。 ### 训练先进的物理 AI 模型 NVIDIA PhysicsNeMo 为训练 Physics-ML 模型 (从提取几何图形到添加偏微分方程) 提供端到端流程和实用程序。NVIDIA PhysicsNeMo 还包括参考应用形式的训练方法。[查看文档](https://docs.nvidia.com/deeplearning/modulus/index.html)。 ### 大规模训练 NVIDIA PhysicsNeMo 提供 GPU 加速的分布式框架，用于构建基础规模模型。它提供扩展到多节点训练的数据并行和模型并行训练管道，以满足工业规模问题的需求。例如，开发者可以非常轻松地在 5000 万个节点网格上训练 GNN 或激光点云。[查看文档。](https://docs.nvidia.com/deeplearning/physicsnemo/physicsnemo-core/tutorials/fsdp_and_shard_tensor.html) ### PhysicsAI 参考流程 NVIDIA PhysicsNeMo 提供了一套多样化的参考流程，作为开发者定制和构建自己的解决方案的起点。这些参考示例展示了如何使用 AI 对特定问题进行建模，并展示了一些相关的架构和数据集。这涵盖了 CFD、热分析、气候和天气等用例。查看 [GitHub 代码库](https://github.com/NVIDIA/physicsnemo/tree/main/examples)以获取完整列表。 * * * ## 优势 NVIDIA PhysicsNeMo 是一个免费提供的开源 AI 框架，用于为工程系统开发 Physics-ML 模型和新型 AI 架构。 ![Decorative image of AI toolkit for physics](https://d29g4g2dyqv443.cloudfront.net/sites/default/files/icons/m48-physics-physx.svg) ### 适用于物理学的 AI 工具包 借助简单的 Python API，为工程模拟和生命科学等任何领域的物理系统快速配置、构建和训练 AI 模型。 ![Decorative image of customizing models](https://d29g4g2dyqv443.cloudfront.net/sites/default/files/icons/m48-ai-customization.svg) ### 自定义模型 下载、构建和自定义最先进的预训练模型 [NVIDIA NGC™ 目录](https://catalog.ngc.nvidia.com/)。 ![Decorative image of near-real-time inference](https://d29g4g2dyqv443.cloudfront.net/sites/default/files/icons/m48-digital-twin.svg) ### 近乎实时的推理 将 AI 代理模型部署为物理系统的数字孪生，以近乎实时地进行仿真。 ![Decorative image of scaling with NVIDIA AI](https://d29g4g2dyqv443.cloudfront.net/sites/default/files/icons/m48-neuralnetwork-2.svg) ### 借助 NVIDIA AI 进行扩展 利用 NVIDIA AI 将训练性能从单个 GPU 扩展到多节点实现。 ![Decorative image of open-source design](https://developer.download.nvidia.com/images/modulus/m48-developer-2.svg) ### 开源设计 体验开源的优势。PhysicsNeMo 基于 PyTorch 构建，并在 Apache 2.0 许可下发布。 ![Decorative image of standardized, best practices of AI development](https://developer.download.nvidia.com/images/modulus/m48-check-mark-approved-1.svg) ### 标准化 学习 Physics-ML 模型的 AI 开发最佳实践，并立即专注于工程应用。 ![Decorative image of user friendly API interfaces](https://developer.download.nvidia.com/images/modulus/m48-service-api.svg) ### 用户友好 通过用户易于理解的错误消息和易于编程的 Pythonic API 接口提高工作效率。 ![Decorative image of high-quality software with enterprise-grade development](https://developer.download.nvidia.com/images/modulus/m48-configuration-sdk-2.svg) ### 高质量 使用高质量软件、企业级开发、入门教程以及可靠的验证和文档。 ## 为 NVIDIA PhysicsNeMo 开发做出贡献 NVIDIA PhysicsNeMo 为科学界内部的协作提供了一个独特的平台。我们将邀请领域专家在各种用例和应用中贡献和加速 Physics-ML。 [前往 GitHub](https://github.com/NVIDIA/modulus) * * * ## 了解 NVIDIA PhysicsNeMo 的实际应用 ### 生成式 AI 的速度和准确性有助于应对气候变化 ### 借助 FourCastNet 加速极端天气预测 ### 使用 NVIDIA PhysicsNeMo 和 Omniverse 的西门子能源公司 HRSG 数字孪生仿真 ### 使用尾流优化更大限度地提高风能产量 ### 使用里叶神经算子和 NVIDIA PhysicsNeMo 加速碳捕获和存储 ### 使用 FourCastNet 提前三周预测极端天气事件 [查看 NVIDIA PhysicsNeMo 示例](https://github.com/NVIDIA/modulus/blob/main/examples/README.md) * * * ## 开始使用 NVIDIA PhysicsNeMo ### 用于开发的容器和模型 使用 NVIDIA PhysicsNeMo 容器和预训练模型开发 Physics-ML 模型，可以在 [NVIDIA NGC](https://www.nvidia.cn/gpu-cloud/) 上免费获取。 - [下载用于开发的容器和模型](https://catalog.ngc.nvidia.com/orgs/nvidia/teams/modulus/containers/modulus) ### 计算机辅助工程 (CAE) 探索 NVIDIA 如何助力计算机辅助工程行业开发者加速基于物理的 CAE 仿真，并使用 AI 加速的数字孪生实现实时交互式设计。 - [了解 NVIDIA 如何加速 CAE](https://developer.nvidia.com/topics/cae) - [下载适用于实时 CAE 数字孪生的 NVIDIA Omniverse Blueprint](https://build.nvidia.com/nvidia/digital-twins-for-fluid-simulation) ### 外部空气动力学 NIM 非常准确的预训练模型基于 DoMINO 架构，该模型基于大型多样化汽车数据集进行训练，并打包为 NIM，以实现高性能和可扩展的云部署。开发者可以使用 PhysicsNeMo 中的训练方法进一步自定义模型。 - [在 GitHub 上开始使用](https://github.com/NVIDIA/modulus/tree/main/examples/cfd/external_aerodynamics/domino) ### 自定进度在线课程 NVIDIA PhysicsNeMo 为训练代理模型提供了显式参数规范，其中包含一系列可供设计空间学习的值，以及用于同时推理多个场景的参数规范。 - [访问自定进度课程](https://courses.nvidia.com/courses/course-v1:DLI+S-OV-04+V1/) - [观看如何使用 NVIDIA PhysicsNeMo 框架开发物理机器学习模型](https://www.nvidia.cn/on-demand/session/gtc24-dlit61460/?playlistId=playList-bd07f4dc-1397-4783-a959-65cec79aa985) ### 企业级工作流 NVIDIA PhysicsNeMo 可与 NVIDIA AI Enterprise 一起使用。NVIDIA AI Enterprise 是一个经过优化的端到端 AI 软件平台，可加快企业的生产时间，获得在任何地方部署 AI 的认证，并提供企业级支持、安全性和 API 稳定性，同时降低开源软件的潜在风险 - [开始使用 NVIDIA AI](https://www.nvidia.cn/data-center/products/ai-enterprise/get-started/?ncid=so-link-540544) ### Omniverse 集成 开发者可以将用于交互式流体模拟的数字孪生作为参考，以合 NVIDIA Phy 中构建的代理模型 - [立即试用 Blueprint](https://build.nvidia.com/nvidia/Earth_2_build_digital_twin_for_weather_analytics) - [Omniverse 集成文档](https://docs.omniverse.nvidia.com/extensions/latest/ext_modulus.html) * * * ## 高等教育和研究开发者资源 ### 在线自主课程 参加 NVIDIA DLI 提供的实操入门课程，借助 NVIDIA PhysicsNeMo 探索基于物理信息的机器学习。 [访问课程](https://courses.nvidia.com/courses/course-v1:DLI+S-OV-04+V1/) ### 面向教育工作者的教学套件 对 Physics-ML 感兴趣的符合资格的大学教育工作者可以使用 DLI 教学套件。该套件全面且模块化，可以帮助您将教学材料、动手练习、GPU 云资源等内容整合到您的课程中。 [访问教学套件](https://www.nvidia.cn/training/teaching-kits/) [观看网络会议](https://www.nvidia.cn/on-demand/session/other2024-nvmodulus/) ### 开放式编程马拉松和训练营 与您身边的导师一起加速和优化研究应用程序。 [面向科学的端到端 AI GitHub 黑客松](https://github.com/openhackathons-org/End-to-End-AI-for-Science#end-to-end-ai-for-science) [即将举办的 Open Hackathons](https://www.openhackathons.org/s/upcoming-events) * * * ## 探索更多资源 ![wind turbines](https://d29g4g2dyqv443.cloudfront.net/sites/default/files/akamai/wind-turbines.jpg) ### 为 Siemens Gamesa 使用 NVIDIA Modulus 和 Omniverse 风电场数字孪生 [阅读博客](https://resources.nvidia.com/en-us-modulus-pathfactory/siemens-gamesa-wind?lx=EOCANS) ![Siemens Energy taps NVIDIA to develop industrial digital twin of power plant in Omniverse and Modulus](https://d29g4g2dyqv443.cloudfront.net/sites/default/files/akamai/digital-twin-exterior-1280x680-1.jpg) ### 西门子能源利用 NVIDIA 在 Omniverse 和 Modulus 中开发发电厂的工业数字孪生 [阅读博客](https://resources.nvidia.com/en-us-modulus-pathfactory/develop-industrial-digital-twin-of-power?lx=EOCANS) ![Watch presentation about developing Digital Twins for weather, climate, and energy](https://d29g4g2dyqv443.cloudfront.net/sites/default/files/akamai/Developing-digital-twins.jpg) ### 开发适用于天气、气候和能源的数字孪生 [点播观看](https://resources.nvidia.com/en-us-modulus-pathfactory/gtcspring22-s41823?lx=EOCANS) [探索 PhysicsNeMo 资源](https://resources.nvidia.com/l/en-us-modulus-pathfactory-explore-page) * * * ## 伦理 AI NVIDIA 的平台和应用框架使开发者能够构建各种 AI 应用。在选择或创建要部署的模型时，请考虑潜在的算法偏差。与模型的开发者合作，确保其满足相关行业和用例的要求；提供必要的说明和文档以了解错误率、置信区间和结果；并确保在预期的条件和方式下使用模型。 ## 立即下载 NVIDIA PhysicsNeMo 框架。 [立即下载](https://catalog.ngc.nvidia.com/orgs/nvidia/teams/modulus/containers/modulus)