英伟达的数字孪生平台将改变科学家和工程师的思维方式

Nvidia 已宣布对其 数字孪生 平台科学计算进行多项重大升级，并发布这些功能以供广泛使用。 亮点包括 Modulus（一种基于物理的 AI 工具）的全面发布、对新 Omniverse 集成的支持以及对称为自适应傅里叶神经算子 (AFNO) 的新 3D AI 技术的支持。 Modulus 和 Omniverse 现在都可以下载了。

Nvidia 加速计算首席产品经理 Dion Harris 告诉 VentureBeat，这些进步有望改变工程师对模拟的思考方式，从偶尔的离线过程转变为融入持续运营的运营模型。

这些最近的努力补充了其他最近的公告，例如创建 地球 2 的持续合作 气候变化 以及在元宇宙内简化工程设计、测试和开发的持续努力。 Nvidia 还与领先的气候研究超级计算项目合作，例如欧洲中期天气预报中心 (ECMWF) 在 Destin-E 。

英伟达数字双胞胎公告亮点

Nvidia 去年秋天在 GTC 上宣布 Modulus ，现已上线。 它是一个基于物理的神经网络模型，允许您使用基于物理的指令训练复杂系统的模型。 这将改善气候模拟，并探索设计产品和建筑物时的物理、机械和电气权衡。 它有助于加速创建基于 AI 的代理模型，这些模型从现实世界的数据中抽象出物理原理。

新的 Omniverse 集成允许团队将这些 AI 物理模型的输出馈送到 Omniverse。 这使得将更好的 AI 模型与 Omniverse 中内置的可视化工具结合起来变得更加容易。 更重要的是，这些新模型比传统物理模型快得多，因此更容易实时运行它们或作为场景规划的一部分探索更多变化。 “它为您如何使用这些数据集和模拟工作流程创建了一个不同的操作模型，”Harris 说。

与 Omniverse 的集成将使工程师更容易将数字孪生功能融入现有工作流程。 Nvidia 正在构建各种连接器，允许工程师从现有的产品工程、架构和仿真工具中提取模型。 Omniverse 还有助于团队从 AI 模型中获取数据。

Omniverse 提供了一个集中的中心，用于在跨数据集和学科的交互式协作中收集数据。 它从各种来源摄取数据，并使用通用场景描述格式在平台上组织数据。 例如，气候研究中更好的模型可能涉及大气数据、地理空间数据和人类交互数据。 哈里斯表示，在为各种平台构建通用场景描述插件方面仍有工作要做，这也是 Omniverse 对开发人员免费的原因之一。

另一个重大升级是对自适应傅里叶神经算子 (AFNO) 的支持。 这个科学术语描述了训练反映 3D 空间状态的神经网络。 AFNO 是更广泛的新方法的一部分，包括傅立叶神经算子 (FNO) 和物理信息神经算子 (PNO)。 这些技术基于偏微分方程模型对 3D 空间关系进行编码，使团队能够创建更准确的代理 AI 模型。 使用卷积或其他基于像素的方法的传统 AI 模型不太准确地编码 3D 对象的排列。

使用人工智能更好的气候模型

作为 FourCastNet 项目的一部分，英伟达还宣布了这些工具应用于气候研究的早期结果。 英伟达与普渡大学、劳伦斯伯克利分校、密歇根大学等领先的气候研究人员之间的合作。 FourCastNet 是一种人工智能替代模型，用于在全球范围内进行中档气候变化预测。 该研究论文 描述 了该团队如何使用 AFNO 生成一个非常快速但非常准确的模型，该模型可用于其中一些中端模型。

在气候和天气研究中，分辨率以平方公里为单位，就像像素一样。 正方形越小越好。 ECMWF 的综合预报系统 (IFS) 等***的第一性原理模型可以达到 9 公里的分辨率。 ***的 FourCastNet 模型比使用传统的第一原理方法构建的***的模型更快，但准确度较低。

如今，FourCastNet 可以在与 IFS 相同的精度下以快 45,000 倍的速度实现 18 公里的分辨率并减少 12,000 倍的能耗。 先前的替代模型最大分辨率为 25 公里。 提高准确性的一个因素是与传统方法相比，训练代理模型需要大量数据。 例如，将分辨率从 18 公里提高到 9 公里的过程将需要大约 30 倍的数据。

有两个尺度的天气和研究中心，包括大约17个较大的气候变化中心和大约175个较小的区域天气研究小组。 较小的中心倾向于关注定义明确的边界，而忽略了相邻天气现象的影响。 新的 FourCastNet 模型将使较小的天气中心能够模拟跨越边界的天气模式。

“这将使气候变化研究民主化，”哈里斯说。

需要注意的是，该模型是根据 40 年的气候数据进行训练的，这需要大量的处理时间和精力。 但是一旦经过训练，它就可以在低成本的计算机上运行。 例如，FourCastNet 研究人员能够在以前需要 3060 节点超级计算机集群的 2 节点 Nvidia 集群上运行模拟。

哈里斯预计第一原理模型和代理模型将共存一段时间。 第一性原理方法将形成一种基本事实，而替代模型将允许工程师更快地迭代模拟场景。 英伟达一直在努力改进这两者。 例如，Nvidia 调整了其软件以加速天气研究和预报 (WRF) 以及小规模建模 (COSMO) 模型联盟。

地球的集合

这项 FourCastNet 工作补充了 Nvidia 在秋季 GTC 上发布的 Earth-2 公告 。 Earth-2 是 Nvidia 为加速气候变化研究而构建的专用系统。 Earth-2 将把 Modulus、Omniverse 和 Nvidia 的硬件进步结合到一个有凝聚力的平台中。 Omniverse 集成将使获取 AI 模型、气候数据、卫星数据和其他来源的数据变得更加容易，以使用所有这些输入构建更准确的表示。

“Earth-2 系统将把我们正在构建的所有东西集成到一个有凝聚力的平台中，”哈里斯说。

这将使将各种科学学科、研究技术和模型组合成一个单一的事实来源变得更加容易。 Omniverse 的协作方面将帮助研究人员、政策规划者、高管和公民共同解决一些世界上最紧迫的问题。

发现新的未知数

更快的模拟还意味着研究人员可以在模型中使用稍微不同的假设来探索模拟的后果。 气候变化研究人员使用“ 集合 来描述测试多个模型并略有变化的过程。 例如，他们可能会运行 21 次模拟，以探索假设的微小变化对整体预测的影响。 FourCastNet 将允许研究人员模拟 1000 个成员集合，从而为预测提供更高的置信度。

哈里斯说，“这不仅仅是能够更快地运行模型。 您还可以多运行它以获得对结果的更准确估计。 一旦您看到这个在 3D 空间中运动的复杂系统，您就会对如何思考它有了新的理解。”

西门子已经在运行类似的模型，但只是在设计阶段。 这些更快的模拟技术使他们能够在操作期间连续运行类似类型的模型。 例如，西门子已使用这些技术对发电厂的传热系统和风力涡轮机的性能进行更有效的建模。 一种新的替代风力性能模型预计将优化风电场布局，其发电量比以前的设计高出 20%。

“我们看到数字双胞胎被用于从医疗到制造、科学甚至娱乐应用的方方面面，”哈里斯说。