基於Siml.ai 和NVIDIA Modulus的人工智能的代理建模工程工作流

模擬是復雜工程挑戰的典型，比如設計核聚變反應堆、優化風力發電場、開發碳捕獲和儲存技術，或者建造氫電池。設計這樣的系統通常需要許多科學模擬的叠代，而這些模擬在計算上是昂貴的。求解器和參數通常必須針對所研究的每個系統單獨調整。得益於人工智能和物理知識機器學習(物理- ml)框架，如NVIDIA Modulus，現在有可能克服這些挑戰並渦輪增壓這些模擬。

NVIDIA Modulus是壹個最先進的開源物理機器學習平臺，將物理與深度學習訓練數據相結合，構建具有近實時延遲的高保真度、參數化代理模型。工程師和科學家可以使用NVIDIA模量來探索和構建基於物理的人工智能代理模型。這些原則被廣泛應用於從制造業到醫療保健的各種解決方案，包括高性能計算(HPC)規模應用，如天氣預報和工業數字孿生。

DimensionLab是NVIDIA的Inception合作夥伴，是壹家為工程師、科學家、創客和創作者構建下壹代工具的軟件工作室。隨著對用戶體驗，簡單性和現代設計的日益關註，DimensionLab團隊正在利用科學機器學習的最新進展，徹底改變數值模擬如何用於技術和產品開發。

認識到NVIDIA Modulus的巨大潛力後，DimensionLab將其作為旗艦產品(ai驅動工程的網絡平臺Siml.ai)的支柱。

簡化領域專家的AI代理建模

Siml.ai在其Model Engineer應用程序中提供了強大的無代碼抽象，這使得工程師能夠更原生地表達他們的領域專業知識，而不必精通ai。應用程序構建在模數接口上。例如，這使領域專家能夠使用符號形式的控制偏微分方程來表達他們對系統的知識，而不是根據深度學習模型的損失函數如何捕獲此類信息。

模型工程師的目標是簡化和流線化整個過程，包括:

²從傳統的模擬輸出或從現實世界的實驗中收集精確測量的物理傳感器構建大型數據集。

²為模擬器所需的功能和約束構造正確的模型體系結構。

²在高性能、gpu驅動的雲或HPC中心中培訓和積極優化可學習的模擬器，而無需處理管理雲基礎設施的復雜性。

²模型工程師中的壹個流程圖風格的可視化編輯器將問題設置為在模數平臺上啟動訓練。在引擎蓋下，流程圖的可視化表示被編譯成NVIDIA模數API調用。它表示整個模擬器狀態，包括參數化變量、神經網絡架構、幾何形狀或約束。

您可以將CAD幾何圖形拖放到幾何節點中，在那裏它們會自動轉換為NVIDIA模量鑲嵌模塊的stl。它們同時被轉換成3D幾何圖形查看器的快速web格式。

Siml.ai模型工程師展示了如何使用流程圖風格的可視化編輯器來指定問題，而不需要顯式編碼。

圖1所示。Siml.ai模型工程師為快速模擬器原型設計提供了壹個流程圖風格的可視化編輯器

這些Siml.ai交互式和可視化工具使工程師和科學家可以專註於探索物理- ml模型用於模擬物理，而無需處理其復雜性。他們可以通過平臺創建和部署環境，只需點擊幾下就可以開始訓練他們的模擬模型。環境使用模擬器推理和訓練環境(SITE):壹個容器化的解決方案，完成所有繁重的工作，將模擬器的可視化表示編譯成可訓練的模數模擬器的代碼。SITE針對NVIDIA gpu進行了優化，並提供了與ai驅動的模擬器壹起工作所需的壹切。

Siml.ai平臺的第二個部分是壹個實時可視化仿真結果的工具，稱為仿真工作室。它是壹個混合應用程序(基於web和本機)，基於虛幻引擎及其像素流功能。它在雲中運行渲染，並將渲染幀作為視頻流發送到Siml。人工智能前端。

用戶可以將在Model Engineer中創建的參數化模擬器加載到Simulation Studio中，為快速虛擬物理實驗工作流程創建交互式數字雙胞胎。

仿真工作室應用程序的界面截圖，使工程師能夠與模數訓練模型進行交互，並使用虛幻引擎進行可視化。

圖2。模擬工作室在Siml.ai封裝了參數化代理ai模型，使用虛幻引擎提供交互式仿真探索

物理- ml代理模型節省了成本和時間

為了演示這些新工具和工作流程在利用物理機器學習方面的影響，DimensionLab的開發人員使用了Siml.ai用於特定的客戶案例研究。目的是量化框架的價值，如NVIDIA模量和Siml。為壹家預算有限的小型咨詢公司構建物理ml模型。目標是提供與行業標準模擬軟件輸出相同的人工智能解決方案，但成本和時間都很短。

客戶需要對流入水電站的河流進行數值模擬，以分析過去事件造成的洪水損害。他們花了4年的時間在壹個流行的數值求解器中完成並微調數學模型，他們花了幾個月的時間在復雜的幾何網格上。

與傳統的建模和仿真方法相比，DimensionLab的開發人員幫助客戶應用物理-機器學習方法來解決這壹工程挑戰。他們在《Siml》中創造了多個可比較的ai驅動模擬。ai利用NVIDIA模框架中的Navier-Stokes方程、物理信息神經網絡和傅立葉神經算子。

這些模型只用了3周的時間來開發和訓練各種配置和參數化的多次。與公司之前嘗試的方法相比，這些方法節省了96%的成本和時間。

工程資源仿真

要了解更多信息，請參閱Siml.ai文檔和Siml.ai培訓內容。您還可以在 Siml.ai 的博客中閱讀有關這些工具的更多信息。要了解有關物理- ml和NVIDIA模數的更多信息，請查看NVIDIA深度學習學院課程，介紹物理-基於模數的機器學習，並訪問GitHub上的NVIDIA鱷模數repo。

了解有關NVIDIA Inception的更多信息，該項目旨在幫助初創企業通過尖端技術更快地發展，獲得與風險投資家聯系的機會，並獲得來自NVIDIA的最新技術資源。