NVIDIA打造人工智慧框架以學習物理定律

NVIDIA Modulus大力推動數位孿生分析應用，如熱回收鍋爐的多物理分析。（圖／業者提供）

NVIDIA（輝達）宣佈推出一款人工智慧（AI）框架，讓工程師、科學家和研究人員能取得一個可自訂、易於採用，且以物理學爲基礎的工具套件，以建立數位孿生（digital twin）神經網路模型，協助加快處理當代最爲棘手的問題。

NVIDIA Modulus是一個用於開發物理機器學習模型的框架，旨在推動AI在許多領域的發展，這些領域對AI和物理驅動的數位孿生功能需求快速成長，但卻缺乏AI專業知識，例如蛋白質工程和氣候科學。

數位孿生已經成爲解決多項難題的有力工具，無論是小分子藥物開發領域，或是全球所面臨的氣候變遷挑戰皆然。科學家可以利用NVIDIA Modulus框架，以極爲準確的數位方式複製複雜的動態系統，使得各行各業有機會找出新一代的突破性研究成果。

Modulus訓練神經網路使用物理學基本定律，以模擬多個領域中複雜的系統行爲。接着可在數位孿生的多種應用程式中使用替代模型，像是從工業應用實際案例與氣候科學。

與大多數基於AI的做法相同，Modulus包括一個資料準備模組，協助管理觀察到或模擬出的資料。它還解釋了它所模擬之系統的幾何形狀，以及輸入幾何形狀所代表的空間明確參數。

Modulus的主要工作流程及要素包括採樣規劃器讓用戶能夠選擇一種方法提高訓練模型的收斂性及準確性，如準隨機抽樣或重要抽樣。基於 Python的應用程式介面（API），可使用符號來控制偏微分方程式，以及建立以物理學爲基礎的神經網路。經過驗證的精選層和網路架構能有效解決物理學相關的問題。物理機器學習引擎利用這些輸入使用PyTorch、TensorFlow、GPU加速的cuDNN，和多GPU和多節點擴展的NVIDIA Magnum IO來訓練模型。

GPU加速的工具套件有着飛快的處理能力，補充傳統分析方法的不足之處，以在更短時間內取得更深入的洞察。使用者可以透過Modulus框架評估修改參數的影響，以探索系統不同的配置和情境。

Modulus基於TensorFlow高效能應用，利用XLA的優勢來最佳化效能。XLA是一款特定領域的線性代數編譯器，可以加快TensorFlow模型的運作。它運用Horovod分散式深度學習訓練框架進行多GPU擴展。

在訓練好模型之後，Modulus便能即時或以互動方式進行推論。相較之下，過去必須在運行完一次才能進行評估，且每次運行都要耗費大量運算資源。

可自訂又易於採用的Modulus爲實行新的物理學和幾何學提供了API。設計Modulus的目的在於協助那些剛開始使用以AI驅動的數位孿生應用程式的人，能快速地使用它。

Modulus框架提供逐步教學內容，協助人們開始處理計算流體力學和熱傳導領域的問題。Modulus還爲不同的應用領域提供越來越多的執行清單，如模擬亂流、暫態波動方程式、Navier-Stokes方程式、馬克斯威爾電磁波方程式、逆問題（inverse problems）與其他多重物理問題。