NVIDIA 模擬網(wǎng)絡(luò) 是一個物理信息神經(jīng)網(wǎng)絡(luò)（ PINNs ）工具箱，適用于工程師、科學家、學生和研究人員，他們要么想開始人工智能驅(qū)動的物理模擬，要么想利用一個強大的框架來實現(xiàn)他們的領(lǐng)域知識，用實際應(yīng)用來解決復(fù)雜的非線性物理問題。

V21.06 建立在一個成功的基線特性早期訪問程序的基礎(chǔ)上，并在附加的新功能上分層。 這個 GA 版本 引入了對新物理的支持，如 Ele CTR omagnetics 和 2D 波傳播，并提供了一種新的算法，使更多的用例能夠模擬更復(fù)雜的流體熱系統(tǒng)。新的時間步方案已經(jīng)被用于解決時間問題，將時間視為離散和連續(xù)的。

其他特性和增強功能包括 梯度聚合方法，用于在每個 GPU 上增加批處理大小，自適應(yīng)采樣用于在高損失區(qū)域增加點云密度，同方差任務(wù)不確定性量化用于損失權(quán)重，傳遞學習算法可以快速訓練 STL 的有效的基于代理的參數(shù)化，以及構(gòu)造實體幾何和多項式混沌展開方法，用于評估模型輸入中的不確定性如何體現(xiàn)在其輸出中。 SimNet v21. 06 還通過乘法濾波網(wǎng)絡(luò)擴展了現(xiàn)有的網(wǎng)絡(luò)體系結(jié)構(gòu)。

SimNet v21.06 亮點

Electromagnetics

利用 SIMNETV21.06 可以進行頻域電磁仿真。頻域麥克斯韋方程的實型解可以是一維、二維和三維情況下的標量形式（亥姆霍茲方程），也可以是三維情況下的矢量形式。邊界條件可以是二維和三維情況下的理想電子 CTR 離子導體（ PEC ），三維情況下的輻射邊界（吸收邊界）條件和二維波導源的波導端口解算器。實現(xiàn)了二維 TEz 模和 TMz 模頻域 ele CTR 磁和三維 ele CTR 磁的實型求解。

時間物理學中的時間步進格式

在流體力學和電磁等領(lǐng)域，許多計算問題都需要進行瞬態(tài)模擬。直到最近，神經(jīng)網(wǎng)絡(luò)解算器一直在努力獲得準確的結(jié)果。通過在這一領(lǐng)域的多項創(chuàng)新， SimNet 現(xiàn)在能夠以更高的速度和精度解決各種瞬態(tài)問題。 下面顯示的是泰勒格林渦衰減使用瞬態(tài)和湍流納維 – 斯托克斯模擬。

遷移學習

在重復(fù)訓練中，例如基于替代項的設(shè)計優(yōu)化訓練或不確定性量化訓練，傳遞學習可以縮短神經(jīng)網(wǎng)絡(luò)求解器的收斂時間。一旦為單個幾何體訓練了模型，訓練后的模型參數(shù)將轉(zhuǎn)換為求解不同的幾何體，而不必從頭開始訓練新幾何體。

遷移學習加速了特定于患者的顱內(nèi)動脈瘤模擬。

兩種不同形狀的動脈瘤。

梯度聚集

訓練一個復(fù)雜問題的神經(jīng)網(wǎng)絡(luò)解算器需要一個大批量的大小，可以超出可用的 GPU 內(nèi)存限制。增加 GPU 的數(shù)量可以有效地增加批處理大小，但是在 GPU 可用性有限的情況下，可以使用梯度聚合。通過梯度聚合，使用不同的小批量點云在幾個向前/向后迭代中計算所需的梯度，然后聚合并應(yīng)用于更新模型參數(shù)。實際上，這將增加批量大小（盡管以增加訓練時間為代價）。

增加批量可以提高神經(jīng)網(wǎng)絡(luò)求解的精度。

1 GPU 上的 4 個梯度聚合= 4 GPU ，無梯度聚合。

這些結(jié)果比沒有任何梯度聚集的 1gpu 結(jié)果更準確。

最近的 SimNet 隨需應(yīng)變技術(shù)會議

“ 非均勻介質(zhì)力學的物理信息神經(jīng)網(wǎng)絡(luò) ”——印度工業(yè)學院孟買分校舉辦了一個關(guān)于異質(zhì)介質(zhì)力學的物理信息神經(jīng)網(wǎng)絡(luò)會議。基于 PINN 的 NVIDIA SimNet 工具箱被用來開發(fā)一個模擬彈性和彈塑性材料損傷的框架。為了驗證， SimNet 結(jié)果與基于 Haghiatt 等人（ 2020 ）的分析解非常一致。

“ 利用物理信息神經(jīng)網(wǎng)絡(luò)和 SimNet 加速產(chǎn)品開發(fā) ” Kinetic Vision 介紹了一個關(guān)于使用物理信息神經(jīng)網(wǎng)絡(luò)和 SimNet 加速產(chǎn)品開發(fā)的會議，其中使用 SimNet 模擬了在航空航天和一些工業(yè)應(yīng)用中遇到的 Coanda 效應(yīng)。二維和三維幾何圖形都是使用 SimNet 的內(nèi)部幾何模塊構(gòu)建的，并使用改進的 Fourier 網(wǎng)絡(luò)結(jié)構(gòu)進行仿真。結(jié)果表明，用商業(yè) CFD 程序、 ansysfluent 和訓練后的 SimNet-PINN 預(yù)測的流場在定性上非常相似。此外， Kinetic Vision 使用 SimNet 進行參數(shù)化仿真，并進一步將這些結(jié)果與 SolidWorks 集成到 CAD 中進行自動推理，同時為用戶提供了一種從 SolidWorks UI 與 SimNet 交互的方式。

“ 混合物理神經(jīng)網(wǎng)絡(luò)在數(shù)字孿生兒預(yù)后和健康管理中的應(yīng)用 ” – 中佛羅里達大學提出了一個關(guān)于混合物理的神經(jīng)網(wǎng)絡(luò)，用于預(yù)測和健康管理的數(shù)字孿生神經(jīng)網(wǎng)絡(luò)，其中建立了雙數(shù)字模型來預(yù)測飛機窗口板的損傷和疲勞裂紋擴展。 SimNet 模型以物理學為基礎(chǔ)，這確保了結(jié)構(gòu)材料預(yù)測和健康管理所需的準確性。一旦 SimNet 模型經(jīng)過訓練，就可以根據(jù)不同的輸入條件進行快速而準確的計算。 SimNet 也達到了很好的精度，商業(yè)解決方案所達到的高度網(wǎng)格細化。使用 SimNet ，他們可以將預(yù)測模型擴展到 500 架飛機的機隊，并在不到 10 秒內(nèi)得到預(yù)測結(jié)果，而如果他們使用高保真有限元模型執(zhí)行相同的計算，則需要幾天到幾周的時間。

“ 基于物理信息的多孔介質(zhì)流動與輸運神經(jīng)網(wǎng)絡(luò) ” – 斯坦福大學提出了一個物理會議，通知深學習在多孔介質(zhì)中的流動和運輸，其中一種方法被用來模擬兩相不混溶輸運問題（ Buckley Leverett ）。該模型能產(chǎn)生沖擊和稀薄兩方面的精確物理解，并遵循控制偏微分方程以及初始和邊界條件。請在我們的 NVIDIA 博客 here 上閱讀更多信息。

“ 利用基于物理的神經(jīng)網(wǎng)絡(luò)加速計算科學與工程 ”– NVIDIA 介紹了一個關(guān)于人工智能加速計算科學和工程的會議，該會議使用基于物理的神經(jīng)網(wǎng)絡(luò)，涵蓋了最先進的人工智能，用于解決從實時模擬（例如。，設(shè)計空間探索（生成性設(shè)計和產(chǎn)品設(shè)計優(yōu)化）、反問題（如醫(yī)學成像、油氣勘探中的全波反演）和改進的科學（如微觀力學、湍流），這些問題由于各種梯度和不連續(xù)性而難以解決，由于物理定律和復(fù)雜的形狀。

隨需應(yīng)變網(wǎng)絡(luò)研討會：“ 用 NVIDIA SimNet 在理工科課程中構(gòu)建基于人工智能的仿真能力 ”了解 NVIDIA SimNet 如何解決廣泛的用例，包括無任何訓練數(shù)據(jù)的耦合正演模擬，以及反演和數(shù)據(jù)同化問題。

關(guān)于作者

Rekha Mukund 是 NVIDIA 計算組的產(chǎn)品經(jīng)理，負責為汽車、 Jetson 和 Android 平臺開發(fā) CUDA Tegra 產(chǎn)品。她還負責管理 NVIDIA SimNet 產(chǎn)品和 OpenCL 計劃。在加入 NVIDIA 之前， Rekha 在付費電視技術(shù)領(lǐng)域與思科合作了八年多。她是英國大學計算機科學學院的金牌獲得者，他是印度國家級乒乓球運動員和狂熱的旅行者。

Sanjay Choudhry 是 NVIDIA 的高級主管，對傳統(tǒng)計算方法以及科學和工程領(lǐng)域的機器學習都有很強的背景。他領(lǐng)導 SimNet 的工程工作，并熱衷于為工業(yè)應(yīng)用開發(fā)基于人工智能的模擬解決方案。

審核編輯：郭婷