Nvidia объявила о нескольких значительных обновлениях своей платформы научных вычислений для цифровых двойников и выпустила эти возможности для широкого использования. Основные моменты включают общий выпуск Modulus, инструмента искусственного интеллекта с учетом физики, поддержку новых интеграций Omniverse и поддержку нового метода трехмерного искусственного интеллекта, называемого адаптивными нейронными операторами Фурье (AFNO). И Modulus, и Omniverse доступны для скачивания уже сегодня.
Создание сетки данных с помощью Starburst и TSYS
Эти достижения обещают изменить представление инженеров о моделировании от случайного автономного процесса к операционным моделям, встроенным в текущие операции, сказал VentureBeat Дион Харрис, ведущий менеджер по продуктам Nvidia в области ускоренных вычислений.
Эти недавние усилия дополняют другие недавние объявления, такие как намерение создать Землю 2 , постоянное сотрудничество с исследователями изменения климата и постоянные усилия по упрощению инженерного проектирования, испытаний и разработки в метавселенной. Nvidia также сотрудничает с ведущими программами суперкомпьютерных исследований климата, такими как Европейский центр среднесрочного прогнозирования погоды (ECMWF) на Destin-E .
Основные моменты анонса цифрового двойника Nvidia
Nvidia анонсировала Modulus прошлой осенью на GTC, которая уже запущена. Это модель нейронной сети с учетом физики, которая позволяет обучать модели сложных систем с использованием инструкций с учетом физики. Это позволит улучшить моделирование климата и исследовать физические, механические и электрические компромиссы при проектировании продуктов и зданий. Это помогает ускорить создание суррогатных моделей на основе ИИ, которые абстрагируют физические принципы от реальных данных.
Новая интеграция Omniverse позволяет командам передавать результаты этих физических моделей ИИ в Omniverse. Это упрощает объединение лучших моделей ИИ с инструментами визуализации, встроенными в Omniverse. Что еще более важно, эти новые модели намного быстрее, чем обычные физические модели, что упрощает их запуск в режиме реального времени или изучение большего количества вариантов в рамках планирования сценариев. «Это создает другую операционную модель того, как вы будете взаимодействовать с этими наборами данных и рабочими процессами моделирования», — сказал Харрис.
Интеграция с Omniverse значительно упростит инженерам внедрение возможностей цифровых двойников в существующие рабочие процессы. Nvidia создает множество коннекторов, которые позволяют инженерам получать модели из существующих инструментов разработки продуктов, архитектуры и моделирования. Omniverse также помогает командам получать данные из моделей ИИ.
Omniverse предоставляет централизованный центр для сбора данных в интерактивном сотрудничестве по наборам данных и дисциплинам. Он получает данные из различных источников и использует универсальный формат описания сцены для организации данных на платформе. Например, лучшая модель для исследования климата может включать атмосферные данные, геопространственные данные и данные о взаимодействии людей. Харрис сказал, что еще предстоит проделать работу по созданию универсальных плагинов описания сцен для различных платформ, что является одной из причин, по которой Omniverse является бесплатным для разработчиков.
Еще одно важное обновление — поддержка адаптивных нейронных операторов Фурье (AFNO). Этот научный термин описывает обучающие нейронные сети, отражающие трехмерные пространственные состояния. AFNO является частью более широкого класса новых подходов, включая нейронные операторы Фурье (FNO) и нейронные операторы, информированные о физике (PNO). Эти методы кодируют трехмерные пространственные отношения на основе моделей дифференциальных уравнений в частных производных, что позволяет командам создавать более точные суррогатные модели ИИ. Традиционные модели ИИ, использующие свертки или другие подходы на основе пикселей, которые менее точно кодируют расположение 3D-объектов.
Улучшенные климатические модели с искусственным интеллектом
Nvidia также объявила о первых результатах применения этих инструментов для исследования климата в рамках проекта FourCastNet. Это сотрудничество между Nvidia и ведущими исследователями климата в Purdue, Lawrence Berkeley, Мичиганском университете и других. FourCastNet — это суррогатная модель искусственного интеллекта, используемая для составления среднесрочных прогнозов изменения климата в глобальном масштабе. В исследовательском документе описывается , как команда использует AFNO для создания очень быстрой, но очень точной модели, которую можно использовать для некоторых из этих моделей среднего уровня.
В исследованиях климата и погоды разрешение характеризуется квадратными километрами, которые подобны пикселям. Чем меньше квадратов, тем лучше. Самые современные модели, основанные на первых принципах, такие как интегрированная система прогнозирования (IFS) ЕЦСПП, могут достигать 9-километрового разрешения. Современная модель FourCastNet быстрее, но менее точна, чем современные модели, построенные с использованием традиционных подходов из первых принципов.
Сегодня FourCastNet может достичь разрешения 18 км в 45 000 раз быстрее и потребляет в 12 000 раз меньше энергии при той же точности, что и IFS. Предыдущие суррогатные модели имели максимальное разрешение 25 км. Одним из факторов повышения точности являются огромные требования к данным для обучения суррогатных моделей по сравнению с традиционными подходами. Например, процесс увеличения разрешения с 18 км до 9 км потребует примерно в 30 раз больше данных.
Существует две шкалы метеорологических и исследовательских центров, в том числе около 17 крупных центров по изменению климата и около 175 небольших региональных исследовательских групп по погоде. Меньшие центры, как правило, сосредотачиваются на четко определенных границах, пренебрегая влиянием соседних погодных явлений. Новая модель FourCastNet позволит небольшим метеорологическим центрам моделировать погодные условия, которые перемещаются через границы.
«Это демократизирует исследования изменения климата», — сказал Харрис.
Одно предостережение заключается в том, что эта модель была обучена на климатических данных за 40 лет, что потребовало много времени и энергии для обработки. Но после обучения его можно запускать на недорогих компьютерах. Например, исследователи FourCastNet смогли запустить симуляцию кластера Nvidia из 2 узлов, для которого ранее требовался кластер суперкомпьютеров из 3060 узлов.
Харрис ожидает, что в течение некоторого времени модели первого принципа и суррогатные модели будут сосуществовать. Подходы, основанные на первых принципах, сформируют своего рода базовую истину, в то время как суррогатные модели позволят инженерам гораздо быстрее повторять сценарии моделирования. Nvidia работает над улучшением обоих. Например, Nvidia настроила свое программное обеспечение для ускорения исследований и прогнозирования погоды (WRF) и консорциума для моделей мелкомасштабного моделирования (COSMO).
Ансамбль земель
Эта работа FourCastNet дополняет анонс Earth-2, сделанный Nvidia на Fall GTC . Earth-2 — это специальная система, которую Nvidia создает для ускорения исследований изменения климата. Earth-2 объединит аппаратные достижения Modulus, Omniverse и Nvidia в единую платформу. Интеграция Omniverse упростит получение моделей ИИ, климатических данных, спутниковых данных и данных из других источников для создания более точных представлений с использованием всех этих входных данных.
«Система «Земля-2» объединит все, что мы строим, в единую платформу», — сказал Харрис.
Это облегчит объединение различных научных дисциплин, методов исследования и моделей в единый источник истины. Совместный аспект Omniverse поможет исследователям, специалистам по планированию политики, руководителям и гражданам работать вместе, чтобы решить некоторые из самых насущных мировых проблем.
Открытие новых неизвестных
Более быстрое моделирование также означает, что исследователи могут исследовать разветвления моделирования с немного отличающимися предположениями в рамках модели. Исследователи изменения климата используют термин ансамбль для описания процесса тестирования нескольких моделей с небольшими вариациями. Например, они могут запустить симуляцию 21 раз, чтобы изучить влияние незначительных вариаций предположений на общий прогноз. FourCastNet позволит исследователям моделировать ансамбли из 1000 участников, обеспечивая гораздо большую достоверность прогноза.
Харрис сказал: «Речь идет не только о возможности запуска моделей быстрее. Вы также можете запустить его больше, чтобы получить более точную оценку результата. Вы получите новое понимание того, как думать об этом, когда увидите эту сложную систему в движении в трехмерном пространстве».
Siemens уже использовал подобные модели, но только на этапе проектирования. Эти более быстрые методы моделирования позволили им непрерывно запускать аналогичные типы моделей во время операций. Например, компания Siemens использовала эти методы для более эффективного моделирования систем теплопередачи на электростанции и работы ветряных турбин. Ожидается, что новая суррогатная модель ветряных характеристик позволит оптимизировать компоновку ветряных парков, способных производить на 20% больше энергии, чем в предыдущих проектах.
«Мы видим, что цифровые близнецы внедряются во всем: от медицины до производства, научных и даже развлекательных приложений», — сказал Харрис.