基于Siml.ai 和NVIDIA Modulus的人工智能的代理建模工程工作流
模拟是复杂工程挑战的典型，比如设计核聚变反应堆、优化风力发电场、开发碳捕获和储存技术，或者建造氢电池。设计这样的系统通常需要许多科学模拟的迭代，而这些模拟在计算上是昂贵的。求解器和参数通常必须针对所研究的每个系统单独调整。得益于人工智能和物理知识机器学习(物理- ml)框架，如NVIDIA Modulus，现在有可能克服这些挑战并涡轮增压这些模拟。
NVIDIA Modulus是一个最先进的开源物理机器学习平台，将物理与深度学习训练数据相结合，构建具有近实时延迟的高保真度、参数化代理模型。工程师和科学家可以使用NVIDIA模量来探索和构建基于物理的人工智能代理模型。这些原则被广泛应用于从制造业到医疗保健的各种解决方案，包括高性能计算(HPC)规模应用，如天气预报和工业数字孪生。
DimensionLab是NVIDIA的Inception合作伙伴，是一家为工程师、科学家、创客和创作者构建下一代工具的软件工作室。随着对用户体验，简单性和现代设计的日益关注，DimensionLab团队正在利用科学机器学习的最新进展，彻底改变数值模拟如何用于技术和产品开发。
认识到NVIDIA Modulus的巨大潜力后，DimensionLab将其作为旗舰产品(ai驱动工程的网络平台Siml.ai)的支柱。
简化领域专家的AI代理建模
Siml.ai在其Model Engineer应用程序中提供了强大的无代码抽象，这使得工程师能够更原生地表达他们的领域专业知识，而不必精通ai。应用程序构建在模数接口上。例如，这使领域专家能够使用符号形式的控制偏微分方程来表达他们对系统的知识，而不是根据深度学习模型的损失函数如何捕获此类信息。
模型工程师的目标是简化和流线化整个过程，包括:
- 从传统的模拟输出或从现实世界的实验中收集精确测量的物理传感器构建大型数据集。
- 为模拟器所需的功能和约束构造正确的模型体系结构。
- 在高性能、gpu驱动的云或HPC中心中培训和积极优化可学习的模拟器，而无需处理管理云基础设施的复杂性。
- 模型工程师中的一个流程图风格的可视化编辑器将问题设置为在模数平台上启动训练。在引擎盖下，流程图的可视化表示被编译成NVIDIA模数API调用。它表示整个模拟器状态，包括参数化变量、神经网络架构、几何形状或约束。
您可以将CAD几何图形拖放到几何节点中，在那里它们会自动转换为NVIDIA模量镶嵌模块的stl。它们同时被转换成3D几何图形查看器的快速web格式。
Siml.ai模型工程师展示了如何使用流程图风格的可视化编辑器来指定问题，而不需要显式编码。
图1所示。Siml.ai模型工程师为快速模拟器原型设计提供了一个流程图风格的可视化编辑器
这些Siml.ai交互式和可视化工具使工程师和科学家可以专注于探索物理- ml模型用于模拟物理，而无需处理其复杂性。他们可以通过平台创建和部署环境，只需点击几下就可以开始训练他们的模拟模型。环境使用模拟器推理和训练环境(SITE):一个容器化的解决方案，完成所有繁重的工作，将模拟器的可视化表示编译成可训练的模数模拟器的代码。SITE针对NVIDIA gpu进行了优化，并提供了与ai驱动的模拟器一起工作所需的一切。
Siml.ai平台的第二个部分是一个实时可视化仿真结果的工具，称为仿真工作室。它是一个混合应用程序(基于web和本机)，基于虚幻引擎及其像素流功能。它在云中运行渲染，并将渲染帧作为视频流发送到Siml。人工智能前端。
用户可以将在Model Engineer中创建的参数化模拟器加载到Simulation Studio中，为快速虚拟物理实验工作流程创建交互式数字双胞胎。
仿真工作室应用程序的界面截图，使工程师能够与模数训练模型进行交互，并使用虚幻引擎进行可视化。
图2。模拟工作室在Siml.ai封装了参数化代理ai模型，使用虚幻引擎提供交互式仿真探索
物理- ml代理模型节省了成本和时间
为了演示这些新工具和工作流程在利用物理机器学习方面的影响，DimensionLab的开发人员使用了Siml.ai用于特定的客户案例研究。目的是量化框架的价值，如NVIDIA模量和Siml。为一家预算有限的小型咨询公司构建物理ml模型。目标是提供与行业标准模拟软件输出相同的人工智能解决方案，但成本和时间都很短。
客户需要对流入水电站的河流进行数值模拟，以分析过去事件造成的洪水损害。他们花了4年的时间在一个流行的数值求解器中完成并微调数学模型，他们花了几个月的时间在复杂的几何网格上。
与传统的建模和仿真方法相比，DimensionLab的开发人员帮助客户应用物理-机器学习方法来解决这一工程挑战。他们在《Siml》中创造了多个可比较的ai驱动模拟。ai利用NVIDIA模框架中的Navier-Stokes方程、物理信息神经网络和傅立叶神经算子。
这些模型只用了3周的时间来开发和训练各种配置和参数化的多次。与公司之前尝试的方法相比，这些方法节省了96%的成本和时间。
工程资源仿真
要了解更多信息，请参阅Siml.ai文档和Siml.ai培训内容。您还可以在 Siml.ai 的博客中阅读有关这些工具的更多信息。要了解有关物理- ml和NVIDIA模数的更多信息，请查看NVIDIA深度学习学院课程，介绍物理-基于模数的机器学习，并访问GitHub上的NVIDIA/模数repo。
了解有关NVIDIA Inception的更多信息，该项目旨在帮助初创企业通过尖端技术更快地发展，获得与风险投资家联系的机会，并获得来自NVIDIA的最新技术资源。
