隨著 AI 的不斷發(fā)展與成熟，科學家們開始借助 AI 來進行數(shù)據(jù)的分析和處理工作。憑借強大的學習和推理能力，AI 可以從大量數(shù)據(jù)中發(fā)現(xiàn)有用的信息和規(guī)律，將科學家從數(shù)據(jù)收集、實驗操作等繁瑣、重復的工作中解放出來，加速科學研究的進程。同時，AI 與科學研究的結合，也能夠促進不同學科之間的交叉融合，從而發(fā)現(xiàn)更多新的研究領域和方向。AI for Science已成為一種新的科研范式。
為了加速 AI for Science 的發(fā)展，NVIDIA 推出 Modulus 開源框架。Modulus 以控制偏微分方程 (PDE) 形式將物理學的力量與數(shù)據(jù)相結合，以構建具有近乎實時延遲的高保真參數(shù)替代模型，可應用于計算流體力學、氣象預報、超分辨率、生命科學、分子動力學等不同領域。
1月19日14點，NVIDIA 聯(lián)合智猩猩策劃推出「NVIDIA AI for Science 科研新范式在線研討會」，由浙江大學能源工程學院博士后劉凱、NVIDIA 解決方案架構師戴志翔共同主講。
主題介紹
浙江大學能源工程學院博士后劉凱：面向能源裝備快速仿真設計的高維參數(shù)化燃燒場代理建模方法
在應對日益嚴峻的氣候變化和能源緊缺的背景下，迫切需要開發(fā)和部署新型高效低碳能源利用基礎設施，這對于能源裝備設計研發(fā)過程中計算流體力學（CFD）仿真的可靠性和成本效益提出了更高要求。燃燒室作為燃氣輪機發(fā)電系統(tǒng)中能量轉(zhuǎn)化的核心組件，需要對其各項幾何和工況參數(shù)進行精細化設計才能保證燃機整體系統(tǒng)的清潔高效生產(chǎn)。雖然現(xiàn)有湍流燃燒 CFD 數(shù)值模擬方法已經(jīng)成熟，但如何在有限的產(chǎn)品研發(fā)周期內(nèi)高效全面地篩選出最優(yōu)化的設計參數(shù)組合仍然面臨巨大挑戰(zhàn)。因此，我們基于英偉達 Modulus 機器學習平臺構建了一套物理驅(qū)動的參數(shù)化燃燒場仿真設計框架，無需提供任何訓練數(shù)據(jù)，僅通過一次無監(jiān)督神經(jīng)網(wǎng)絡訓練即可獲取能夠即時求解設計空間內(nèi)任何參數(shù)組合情況下的完整物理場信息。仿真計算流程相比傳統(tǒng)數(shù)值模擬平行工況計算在同等算力下的求解效率可達數(shù)千倍加速。
本次研討會，將以甲烷-空氣預混燃燒室簡化模型為例，詳細介紹參數(shù)化AI模型的設計思路，并將仿真結果與傳統(tǒng)數(shù)值軟件 OpenFOAM 進行對比，以驗證模型的準確性。并在此基礎上，對不同的設計參數(shù)進行敏感性分析。在報告的最后，將展示 AI 參數(shù)化仿真設計方法帶來的加速效果。
NVIDIA 解決方案架構師戴志翔：NVIDIA Modulus 加速 AI for Science
AI for Science 已經(jīng)成為前沿熱點研究問題，旨在通過人工智能來加速氣象、能源、材料和生命科學等領域的發(fā)展。為加速 AI for Science 的發(fā)展，NVIDIA 推出 Modulus 開源框架，使用物理控制方程（PDE）、模擬數(shù)據(jù)和觀測數(shù)據(jù)來構造數(shù)字孿生模型。NVIDIA Modulus 引入先進 AI 模型（例如 PINNs，Neural Operator，GNN，Diffusion Model 等），支持參數(shù)化設計與 GPU 多節(jié)點線性擴展。無論是缺乏 AI 專業(yè)知識的人士還是開發(fā)者，NVIDIA 都能為眾多行業(yè)快速增長的 AI 需求提供有力支持，可廣泛應用于 CFD、傳熱、固體、電磁波、地震波、氣象預報、超分辨率，生命科學，分子動力學等領域。
本次研討會，將介紹 Modulus 中的 AI 模型，使用方法和優(yōu)勢，并重點介紹 Modulus 的應用案例，包括使用 PINO (PINN + FNO)進行油藏模擬 ，使用 Residual Diffusion 模型對氣象數(shù)據(jù)進行超分辨率研究，使用 AeroGraphNet 進行汽車空氣動力學仿真等。
報名方式
對此次研討會感興趣的朋友，可以掃描上方海報底部二維碼，添加小助手瑞秋進行報名。已添加過瑞秋的老朋友，可以給瑞秋私信，發(fā)送“NVIDIA2401”即可報名。
同時，為了方便大家交流和咨詢，研討會還設置了交流群，希望加入的朋友，也可以聯(lián)系瑞秋進行申請。
