NVIDIA宣布了一个人工智能框架，为工程师、科学家和研究人员提供了一个可定制、易于使用的基于物理的工具包，用于构建数字双胞胎的神经网络模型，帮助加速解决我们时代最具挑战性的问题。

　　NVIDIAModulus是一个用于开发物理机器学习模型的框架，旨在促进蛋白质工程和气候科学等广泛领域，人工智能专业知识稀缺，但对人工智能和物理驱动的数字孪生功能的需求正在迅速增长。

　　数字双胞胎已经成为解决从药物发现等分子水平到气候变化等全球挑战的有力工具。NVIDIAModulus为科学家构建复杂动态系统的高精度数字复制品提供了一个框架，从而在众多行业取得下一代突破。

　　基于物理的神经网络。

　　Modulus训练神经网络使用基本的物理定律来模拟复杂系统在广泛领域的行为。然后，替代模型可以用于从工业用例到气候科学的各种数字孪生应用。

　　与大多数基于人工智能的方法一样，Modulus包含一个数据准备模块，可以帮助管理观察或模拟数据。它还考虑了其建模系统的几何形状和输入几何形状所表示的空间的显式参数。

　　Modulus的主要工作流程和元素包括：

　　采样规划器允许用户选择准随机采样或重要采样等方法，以提高训练模型的收敛性和准确性。

　　基于Python的API采用符号控制偏微分方程，构建基于物理的神经网络。

　　经证明，基于物理问题有效选择层和网络架构。

　　Physics-ML引擎利用这些输入使用PyTorch和TensorFlow，用于GPU加速的cuDNN和用于多GPU和多节点扩展的NVIDIAMagnumIO来训练模型。

　　快速周转时间。

　　GPU加速工具包提供快速周转，补充传统分析，实现更快的洞察力。Modulus允许用户通过评估和更改参数的影响来探索系统的不同配置和场景。

　　基于TensorFlow的实现，Modulus的高性能。XLA是一种用于线性代数的域特定编译器，可以加速TensorFlow模型。它利用Horovod分布式深度学习训练框架扩展多GPU。

　　模型一旦经过训练，Modulus几乎可以实时或交互推理。相比之下，传统分析必须一次，每次计算成本都很高。

　　易于采用

　　Modulus是可定制的，易于使用。它提供了一个用于实现新物理和几何的应用程序。其设计目的是让刚开始使用AI驱动的数字孪生应用的人快速使用。

　　该框架包括分步教程，用于计算流体动力学和传热。它还为应用领域提供了越来越多的实现，如湍流建模、瞬态波动方程、纳维斯托克斯方程、麦克斯韦电磁方程、逆向问题等多物理场问题。