NVIDIA Modulus 与基于物理信息的 AI 和 Omniverse 相结合，为 NVIDIA Earth-2 和西门子歌美飒（Siemens Gamesa）风力发电场的物理现象建模带来百万倍的性能飞跃

NVIDIA 发布了一个科学数字孪生平台。该平台可加速物理学机器学习模型，以超过以往数千倍的速度解决百万倍规模的科学和工程问题。

这个用于科学计算的加速数字孪生平台由用于开发物理学机器学习神经网络模型的 NVIDIA Modulus AI 框架以及 NVIDIA Omniverse™ 3D 虚拟世界模拟平台组成。

该平台可以实时创建基于物理信息的交互式 AI 模拟以精确反映真实世界，使计算流体动力学等模拟的速度比传统工程模拟和设计优化工作流程方法加快 1 万倍。与以前的 AI 模型相比，研究者能够以更高的速度和精度对复杂的系统进行建模，例如极端天气事件等。

NVIDIA 展示了该技术的两个应用示例。NVIDIA FourCastNet 物理学机器学习模型能够模拟全球天气模式，预测飓风等极端天气事件，不但具有更高的置信度，而且比传统的数值预测模型快 45000 倍。此外，西门子歌美飒可再生能源公司（Siemens Gamesa Renewable Energy）正在使用 AI 优化风力发电机的设计。

NVIDIA 加速计算部门副总裁 Ian Buck 表示：“为了应对气候变化、药物研发和寻找新型可再生能源等挑战，我们使用数据中心规模的 AI 加快计算速度，这有可能实现百万倍性能飞跃。通过 NVIDIA 的 AI 科学数字孪生框架，研究者能够发掘如何解决这些大规模问题。”

NVIDIA Modulus 和 Omniverse

NVIDIA Modulus 将数据和物理学考虑在内，以训练一个神经网络，为数字孪生创建 AI 代理模型。该代理模型可以实时推理新的系统行为，实现动态、迭代的工作流程，并且在与 Omniverse 集成后可以实现可视化和实时交互式探索。

Modulus 的最新版本使用傅里叶神经算子进行数据驱动型训练，该框架使 AI 能够同时解决相关的偏微分方程，还能将机器学习模型与天气和气候数据相结合，例如欧洲中期天气预报中心的 ERA5 数据集。

实时虚拟世界模拟和 3D 设计协作平台 NVIDIA Omniverse 对 Modulus 的功能进行了补充，该平台能够使用 Modulus 的输出代理模型实现对数字孪生的实时可视化和交互式探索。

NVIDIA FourCastNet

傅立叶神经算子和 transformer 支持 NVIDIA FourCastNet 物理学机器学习模型，该模型使用 10TB Earth 系统数据训练而成。作为实现 Earth-2（NVIDIA 首席执行官黄仁勋已宣布将使用该系统在 Omniverse 中创建地球的数字孪生）的步骤之一，FourCastNet 能够模拟并预测飓风和大气流等极端天气事件的发展和风险，不但具有更高的置信度，而且速度最高可加快 45000 倍。

NVIDIA 高级开发者技术科学家和工程师 Karthik Kashinath 表示：“通过数字孪生，研究者和决策者能够与数据互动并快速探索各种假设情况，而传统的建模技术由于既昂贵又费时，因此几乎不可能做到这一点。作为 Earth-2 的核心，NVIDIA FourCastNet 通过更快、更精确地模拟全球天气的物理学和动力学，推动地球数字孪生的开发。"

西门子歌美飒可再生能源公司

该数字孪生平台帮助配备西门子歌美飒可再生能源公司风力发电机的风力发电场显著加快风电场布局模拟研究，使研究者首次可以使用AI来准确模拟各种天气情况下风力发电机位置对其性能的影响，从而优化风电场布局，使发电量相比以前的设计提高 20%。

西门子歌美飒可再生能源公司陆上数字产品组合经理 Sergio Dominguez 表示：“通过与 NVIDIA 合作，西门子歌美飒可再生能源公司能够在计算流体力学等复杂的领域大幅加快计算速度和最新算法开发的部署速度，并为未来的进一步合作奠定基础。”

若要进一步了解 NVIDIA 数字孪生，请观看黄仁勋的 GTC 2022 主题演讲。