搜索歷史

清空
搜索熱詞
      0
      • 聊天消息
      • 系統(tǒng)消息
      • 評(píng)論與回復(fù)
      VIP于 到期 續(xù)費(fèi)
      登錄后你可以
      • 下載海量資料
      • 學(xué)習(xí)在線課程
      • 觀看技術(shù)視頻
      • 寫文章/發(fā)帖/加入社區(qū)
      會(huì)員中心
      創(chuàng)作中心
      發(fā)布
      創(chuàng)作活動(dòng)

      完善資料讓更多小伙伴認(rèn)識(shí)你，還能領(lǐng)取20積分哦，立即完善>

      3天內(nèi)不再提示

      NVIDIA基于物理學(xué)的神經(jīng)網(wǎng)絡(luò)

      NVIDIA英偉達(dá) ? 來源：NVIDIA英偉達(dá) ? 作者：NVIDIA英偉達(dá) ? 2021-11-15 16:36 ? 次閱讀

      NVIDIA 于 GTC 大會(huì)上發(fā)布的 AI 框架為工程師、科學(xué)家和研究者提供了一個(gè)可定制、易于采用的物理學(xué)工具包，使他們能夠通過建立數(shù)字孿生神經(jīng)網(wǎng)絡(luò)模型加速解決當(dāng)今一些最具挑戰(zhàn)性的問題。

      NVIDIA Modulus是一個(gè)用于開發(fā)物理學(xué)-機(jī)器學(xué)習(xí)模型的框架，它能夠?yàn)槿狈?AI 專業(yè)知識(shí)，但對(duì) AI 和物理驅(qū)動(dòng)型數(shù)字孿生功能的需求快速增長的眾多領(lǐng)域提供支持，例如蛋白質(zhì)工程和氣候科學(xué)領(lǐng)域。

      數(shù)字孿生已成為解決從分子層面（如藥物研發(fā)）到全球挑戰(zhàn)（如氣候變化）等各種問題的有力工具。NVIDIA Modulus 為科學(xué)家所提供的框架能夠?yàn)閺?fù)雜、動(dòng)態(tài)的系統(tǒng)構(gòu)建高精度數(shù)字復(fù)制品，從而推動(dòng)各行業(yè)的新一代技術(shù)突破。

      基于物理學(xué)的神經(jīng)網(wǎng)絡(luò)

      Modulus 訓(xùn)練神經(jīng)網(wǎng)絡(luò)使用基本的物理學(xué)定律模擬各領(lǐng)域中復(fù)雜系統(tǒng)的行為。從工業(yè)用例到氣候科學(xué)，該代理模型可用于各種數(shù)字孿生應(yīng)用。

      與大多數(shù)基于 AI 的方法一樣，Modulus 內(nèi)置一個(gè)幫助管理觀察或模擬數(shù)據(jù)的數(shù)據(jù)準(zhǔn)備模塊。它還能解釋它所模擬的系統(tǒng)的幾何圖形以及輸入幾何圖形所表示的空間的顯式參數(shù)。

      Modulus 的關(guān)鍵工作流程和要素包括：

      采樣計(jì)劃器：使用戶能夠選擇一種方法（如準(zhǔn)隨機(jī)采樣或重要性采樣）來提高被訓(xùn)練模型的收斂性和準(zhǔn)確性。

      基于 Python 的 API：采取象征性管理偏微分方程并構(gòu)建基于物理學(xué)的神經(jīng)網(wǎng)絡(luò)。

      精選層和網(wǎng)絡(luò)架構(gòu)：經(jīng)證明能夠有效解決物理學(xué)問題。

      物理學(xué)-機(jī)器學(xué)習(xí)引擎：使用這些輸入來訓(xùn)練模型。所訓(xùn)練的模型能夠使用 PyTorch 與 TensorFlow、使用 cuDNN 實(shí)現(xiàn) GPU 加速并且使用 NVIDIA Magnum IO 實(shí)現(xiàn)多 GPU 和多節(jié)點(diǎn)擴(kuò)展。

      快速周轉(zhuǎn)時(shí)間

      GPU 加速工具包實(shí)現(xiàn)快速周轉(zhuǎn)，補(bǔ)充傳統(tǒng)的分析并實(shí)現(xiàn)更快的洞察。Modulus 使用戶通過評(píng)估能夠改變其參數(shù)的影響來探索系統(tǒng)的不同配置和場景。

      基于高性能 TensorFlow 的 Modulus 實(shí)現(xiàn)使用 XLA 優(yōu)化性能。XLA 是一個(gè)用于加速 TensorFlow 模型的特定領(lǐng)域線性代數(shù)編譯器。它使用 Horovod 分布式深度學(xué)習(xí)訓(xùn)練框架實(shí)現(xiàn)多 GPU 擴(kuò)展。

      在完成模型訓(xùn)練后，Modulus 可以進(jìn)行近乎實(shí)時(shí)的推理或互動(dòng)式推理。相比之下，傳統(tǒng)的分析每次運(yùn)行時(shí)都要進(jìn)行評(píng)估，而且每次評(píng)估的計(jì)算成本很高。

      易于采用

      Modulus 可定制并且易于采用。它能提供用于實(shí)現(xiàn)新物理學(xué)和幾何學(xué)的 API。Modulus 在設(shè)計(jì)上可以使那些剛開始使用 AI 數(shù)字孿生應(yīng)用的人能夠快速將其用于工作。

      該框架包括計(jì)算流體力學(xué)、熱傳導(dǎo)等入門分步教程。它還為應(yīng)用領(lǐng)域提供了一個(gè)不斷增長的實(shí)現(xiàn)列表，如湍流建模、瞬態(tài)波方程、納維-斯托克斯方程、電磁學(xué)領(lǐng)域的麥克斯韋方程、反問題和其他多物理場問題。

      責(zé)任編輯：haq

      聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問題，請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
      • NVIDIA
        +關(guān)注

        關(guān)注

        14

        文章

        4856

        瀏覽量

        102711
      • AI
        AI
        +關(guān)注

        關(guān)注

        87

        文章

        29824

        瀏覽量

        268112
      • 機(jī)器學(xué)習(xí)

        關(guān)注

        66

        文章

        8353

        瀏覽量

        132315

      原文標(biāo)題：GTC21 | NVIDIA 創(chuàng)建 AI 學(xué)習(xí)物理框架

      文章出處：【微信號(hào)：NVIDIA_China，微信公眾號(hào)：NVIDIA英偉達(dá)】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。

      收藏 人收藏

        評(píng)論

        相關(guān)推薦

        BP神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的關(guān)系

        BP神經(jīng)網(wǎng)絡(luò)（Backpropagation Neural Network）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，簡稱CNN）是兩種在人工智能和機(jī)器學(xué)習(xí)領(lǐng)域
        的頭像 發(fā)表于 07-10 15:24 ?1066次閱讀

        BP神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)的區(qū)別

        BP神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡稱ANNs）之間的關(guān)系與區(qū)別，是神經(jīng)網(wǎng)絡(luò)領(lǐng)域中一個(gè)基礎(chǔ)且重要的話題。本文將從定義、結(jié)構(gòu)、算法、應(yīng)用及未來發(fā)展等多個(gè)方面，詳細(xì)闡述BP
        的頭像 發(fā)表于 07-10 15:20 ?721次閱讀

        rnn是遞歸神經(jīng)網(wǎng)絡(luò)還是循環(huán)神經(jīng)網(wǎng)絡(luò)

        RNN（Recurrent Neural Network）是循環(huán)神經(jīng)網(wǎng)絡(luò)，而非遞歸神經(jīng)網(wǎng)絡(luò)。循環(huán)神經(jīng)網(wǎng)絡(luò)是一種具有時(shí)間序列特性的神經(jīng)網(wǎng)絡(luò)，能夠處理序列數(shù)據(jù)，具有記憶功能。以下是關(guān)于循環(huán)
        的頭像 發(fā)表于 07-05 09:52 ?464次閱讀

        遞歸神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)一樣嗎

        遞歸神經(jīng)網(wǎng)絡(luò)（Recursive Neural Network，RvNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）是兩種不同類型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它們?cè)谔幚硇蛄袛?shù)據(jù)
        的頭像 發(fā)表于 07-05 09:28 ?629次閱讀

        遞歸神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)嗎

        遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，簡稱RNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，簡稱RNN）實(shí)際上是同一個(gè)概念，只是不同的翻譯方式
        的頭像 發(fā)表于 07-04 14:54 ?596次閱讀

        循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的區(qū)別

        循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是深度學(xué)習(xí)領(lǐng)域中兩種非常重要的神經(jīng)網(wǎng)絡(luò)
        的頭像 發(fā)表于 07-04 14:24 ?1019次閱讀

        深度神經(jīng)網(wǎng)絡(luò)與基本神經(jīng)網(wǎng)絡(luò)的區(qū)別

        在探討深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks, DNNs）與基本神經(jīng)網(wǎng)絡(luò)（通常指傳統(tǒng)神經(jīng)網(wǎng)絡(luò)或前向神經(jīng)網(wǎng)絡(luò)）的區(qū)別時(shí)，我們需要從多個(gè)維度進(jìn)行深入分析。這些維度包括
        的頭像 發(fā)表于 07-04 13:20 ?579次閱讀

        卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)的區(qū)別

        在深度學(xué)習(xí)領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks, RNN）是兩種極其重要
        的頭像 發(fā)表于 07-03 16:12 ?2222次閱讀

        反向傳播神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別

        反向傳播神經(jīng)網(wǎng)絡(luò)（Backpropagation Neural Network，簡稱BP神經(jīng)網(wǎng)絡(luò)）是一種多層前饋神經(jīng)網(wǎng)絡(luò)，它通過反向傳播算法來調(diào)整網(wǎng)絡(luò)中的權(quán)重和偏置，以達(dá)到最小化誤差的
        的頭像 發(fā)表于 07-03 11:00 ?605次閱讀

        bp神經(jīng)網(wǎng)絡(luò)是深度神經(jīng)網(wǎng)絡(luò)嗎

        BP神經(jīng)網(wǎng)絡(luò)（Backpropagation Neural Network）是一種常見的前饋神經(jīng)網(wǎng)絡(luò)，它使用反向傳播算法來訓(xùn)練網(wǎng)絡(luò)。雖然BP神經(jīng)網(wǎng)絡(luò)在某些方面與深度
        的頭像 發(fā)表于 07-03 10:14 ?597次閱讀

        bp神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)區(qū)別是什么

        BP神經(jīng)網(wǎng)絡(luò)（Backpropagation Neural Network）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，簡稱CNN）是兩種不同類型的人工神經(jīng)網(wǎng)絡(luò)，它們?cè)?/div>
        的頭像 發(fā)表于 07-03 10:12 ?887次閱讀

        卷積神經(jīng)網(wǎng)絡(luò)的原理是什么

        卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，簡稱CNN）是一種深度學(xué)習(xí)模型，廣泛應(yīng)用于圖像識(shí)別、語音識(shí)別、自然語言處理等領(lǐng)域。本文將詳細(xì)介紹卷積神經(jīng)網(wǎng)絡(luò)的原理，包括其
        的頭像 發(fā)表于 07-02 14:44 ?521次閱讀

        卷積神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別

        卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，簡稱CNN）和BP神經(jīng)網(wǎng)絡(luò)（Backpropagation Neural Networks，簡稱BPNN）是兩種
        的頭像 發(fā)表于 07-02 14:24 ?2348次閱讀

        神經(jīng)網(wǎng)絡(luò)架構(gòu)有哪些

        神經(jīng)網(wǎng)絡(luò)架構(gòu)是機(jī)器學(xué)習(xí)領(lǐng)域中的核心組成部分，它們模仿了生物神經(jīng)網(wǎng)絡(luò)的運(yùn)作方式，通過復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)信息的處理、存儲(chǔ)和傳遞。隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，各種神經(jīng)網(wǎng)絡(luò)架構(gòu)被提出并廣泛應(yīng)用
        的頭像 發(fā)表于 07-01 14:16 ?557次閱讀

        卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)

        卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)? 卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一種基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型，在圖像識(shí)別、語音識(shí)別、自然語言處理等領(lǐng)域有著廣泛的應(yīng)用。相比于
        的頭像 發(fā)表于 12-07 15:37 ?3992次閱讀