NVIDIA SIMNET 介绍

论文标题：NVIDIA SIMNET™: AN AI-ACCELERATED MULTI-PHYSICS SIMULATION FRAMEWORK

链接：https://arxiv.org/abs/2012.07938

1. 产品简介

NVIDIA SimNet 是一个物理信息神经网络（ PINN ）工具包，面向工程师、科学家、学生和研究人员，他们正在开始使用人工智能驱动的物理模拟。您可能还希望利用一个强大的现有框架来实现您的领域知识，并通过实际应用解决复杂的非线性物理问题。

2. 架构

3. 案例

3.1 频域电磁仿真

频域麦克斯韦方程的实型解可以是一维、二维和三维情况下的标量形式（亥姆霍兹方程），也可以是三维情况下的矢量形式。边界条件可以是二维和三维情况下的理想电子 CTR 离子导体（ PEC ），三维情况下的辐射边界（吸收边界）条件和二维波导源的波导端口解算器。实现了二维 TEz 模和 TMz 模频域 ele CTR 磁和三维 ele CTR 磁的实型求解。

3.2 瞬态模拟

在流体力学和电磁等领域，许多计算问题都需要进行瞬态模拟。直到最近，神经网络解算器一直在努力获得准确的结果。通过在这一领域的多项创新， SimNet 现在能够以更高的速度和精度解决各种瞬态问题。 下面显示的是泰勒格林涡衰减使用瞬态和湍流纳维 – 斯托克斯模拟。

3.3 飞机窗面板疲劳裂纹扩展预测模型

该参数化模型的输入是载荷条件（环向应力）和计算域内点云批次的空间坐标。输出为应力和位移。网络体系结构由傅里叶特征编码层和几个完全连接的层组成。与传统的数据驱动模型不同，这里不使用训练数据。相反，损失函数由线性弹性定律扩充，所需的二阶导数由自动微分计算。初始和边界条件也作为软约束施加，以完全指定物理系统。采用多种技术来提高模型的精度和收敛速度，如网络权值归一化、符号距离损失加权、微分方程归一化和无量纲化以及 XLA 核融合等。

参考链接：

https://developer.nvidia.com/blog/using-physics-informed-deep-learning-for-transport-in-porous-media/

https://developer.nvidia.com/zh-cn/blog/using-hybrid-physics-informed-neural-networks-for-digital-twins-in-prognosis-and-health-management/

https://developer.nvidia.com/zh-cn/blog/nvidia-simnet-v21-06-released-for-general-availability/

https://blogs.nvidia.com/blog/2021/11/09/modulus-framework/

https://developer.nvidia.com/modulus