基于物理的机器学习（ Physics ML ）正在转型高性能计算（ HPC ）跨学科的模拟工作流程，包括计算流体动力学、结构力学和计算化学。由于其广泛的应用，物理 ML 非常适合建模物理系统，并在从制造业到气候科学的各个行业部署数字孪生。

NVIDIA Modulus是一个最先进的物理 ML 平台，它将物理与深度学习训练数据相结合，以建立高保真、参数化的代理模型，并具有接近实时的延迟。使用 NVIDIA Modulus 构建的代理模型有助于广泛的解决方案，包括天气预报，减少发电厂温室气体和加速清洁能源转型.

NVIDIA Modulus 客户的成功案例正在证明该平台在各个行业中具有令人难以置信的实用性。然而，物理 ML 在深度学习领域是一个相对较新的领域，在研究层面和应用方面都面临着重大挑战。这是由于满足物理 ML 规则所需的独特要求：

这些挑战需要在多个领域进行创新和研究。更重要的是，这些问题需要各个领域、行业和深度学习专家之间的大力合作。这种水平的合作需要工具和技术来消除研究人员、团队甚至行业之间的障碍，使社区能够在彼此的工作基础上发展。

由于模拟对这些学科和使用它们的行业至关重要，因此需要建立并证明人工智能能够满足和超越当前模拟方法的信心。这需要透明度，这样研究才能发现局限性并提供突破，从而实现更具变革性的技术。

现在，为了促进所需的协作、透明度和问责制， NVIDIA Modulus 已成为一个可用于物理 -ML 的开源平台。

Physics ML 开源工作流

这种新的开源环境在以下几个方面为各行各业的人工智能开发人员和领域专家带来了巨大的好处：

协作：开源工作流程使您能够更轻松地与同事合作，并与更广泛的社区分享您的工作。通过公开访问数据、代码和方法，您可以更有效地合作解决复杂的物理 ML 问题。
透明度：开源工作流程可以提高物理学 ML 研究的透明度和再现性。通过发布代码和数据，你可以让其他研究人员验证和复制你的结果，这有助于建立对科学发现的更大信任。
创新：开源工作流程可以让你更容易地建立在其他研究人员的工作基础上，从而促进创新。通过提供对共享工具和技术库的访问，开源工作流程可以帮助加快发现的步伐，提高研究成果的质量。
可访问性：开源工作流程有助于让更广泛的利益相关者更容易获得研究，包括药物开发经理、国家实验室主任、政策制定者、记者和公众。通过提供关于基于物理的建模研究的清晰、可访问的信息，开源工作流可以帮助建立更大的意识和理解。

总的来说，开源工作流程可以帮助人工智能开发人员、工程和科学领域专家进行更协作、透明、创新的工作，并具有更大的可访问性，以增强他们研究的影响力和相关性。

访问 NVIDIA Modulus 开源软件

NVIDIA Modulus 可以作为开源软件（ OSS ），使用简单的 Apache 2.0 许可证。

本次更新的一部分包括为参考应用程序开发物理 ML 模型的方法。无论你在哪个领域，你都可以自由使用、发展和贡献。您可以访问适合不同工作流的开源存储库，从本机PyTorch从开发者到工程师，从符号的角度思考偏微分方程.

在过去的几年里， NVIDIA Modulus 团队与企业规模的客户和人工智能研究人员合作，扩大了平台的能力。该平台现在涵盖了更多的领域，涵盖了数据驱动和物理驱动的方法，并在工业规模上解决了问题。

因此， NVIDIA Modulus 还包括数据驱动的神经算子系列架构，包括图神经网络和物理知情神经网络。例如，您现在可以在 NVIDIA Modulus 上设计气候模拟FourCastNet，一个物理 ML 模型，以前所未有的速度和准确性模拟全球天气模式的动态（视频 1 ）。

视频 1 。利用 FourCastNet 加速极端天气预报

虽然参考样本是工程师和开发人员的一个很好的起点，但在一端对可推广模型进行基础研究，以及将这些模型应用于各种现实世界的应用方面，仍有许多工作要做。这只有通过社区驱动的努力才能实现，并在充分利用此类技术的潜力方面为社区服务。

在中查找完整的 Modulus 源代码NVIDIA/modulusGitHub 在早上。

免费注册出席 GTC ，了解突破性技术如何塑造世界。添加以气候科学和地球 2 为重点的会议加入您的会议议程。