今天， NVIDIA 宣布了 NVIDIA Modulus（以前称为 SimNet ）的可用性，该平台使用控制物理方程以及观测或模拟数据来训练神经网络。模框架产生的稳健和高保真模型能够加速多物理系统的设计探索，是数字孪生兄弟开发的理想选择。
NVIDIA Modulus 是为工程师、科学家、研究人员和学生设计的。它易于采用，同时提供可扩展的性能、广泛的适用性和快速的周转时间，因为您只需进行一次培训并多次推断即可解决多个假设情况。
Modulus 利用基于 AI 的方法来融合物理和 ML 的优点。考虑到训练数据和控制物理方程， Modulus 训练神经网络，将系统的物理封装到高保真模型中，可用于各种应用
模数中的数据准备模块将观测或模拟数据以及包括点云格式在内的几种标准格式的几何图形作为我们尝试建模的系统的输入。Modulus 的美妙之处不仅在于获取系统的特定几何体，还在于获取输入几何体的显式参数化空间。这使得经过训练的模型能够探索和优化设计空间以获得最佳参数。
Modulus 提供了基于 Python 的 API ，用于采用符号控制 PDE 并构建物理信息神经网络。它提供了经过策划的层和一组扩展的网络架构，这些架构被证明对基于物理的问题是有效的。
训练引擎 Modulus 接受所有输入，并利用 PyTorch 和 TensorFlow 来训练生成的模型 cuDNN 进行 GPU 加速，利用 Magnum IO 进行多 GPU /多节点缩放。
了解更多关于 NVIDIA 的信息
了解有关 Modulus 的更多信息并免费下载该软件。
查看 Modulus（以前称为 SimNet ）上提供的各种新 NVIDIA GTC 会话和其他类似主题：
- SimNet: A Neural Engine for Science and Engineering Problems
- Toward Developing High Reynolds Number, Compressible Reacting Flows in SimNet
- Accelerate HPC Simulations at Scale with Physics-Informed Neural Networks and NVIDIA GPUs on AWS
- Physics-Informed Neural Networks for Wave Propagation Using SimNet
- Uncertainty Quantification for Transport in Porous Media using Parameterized Physics Informed Neural Networks
- Energy Transition, Sustainability, and the Role of Technology （小组讨论）
