NVIDIA 在去年宣布將藉助 Omniverse 技術建構能模擬地球氣候的超大型數位孿生環境 Erath-2 ，在今年 GTC 大會， NVIDIA 宣布基於物理學的 Modulus 人工智慧框架，使 Omniverse 環境能夠獲得物理機器學習的加速，相較過去以數千倍的速度解決規模較過往高出數百萬倍的科學與工程問題，除了 NVIDIA 的 Earth-2 以及西門子歌美颯風力發電廠在建立物理現象模型時也獲得數百萬倍的提升。
這項科學運算加速的數位孿生平台式以開發物理機器學習神經網路模型的 NVIDIA Modulus 框架與 NVIDIA Omniverse 3D 虛擬世界模擬平台構成，透過基於物理學的互動式 AI 模擬內容，可精確反映現實環境，相較傳統工程模擬與設計最佳化流程，在流體力學等模擬作業速度可提升一萬倍，使研究人員能以更快速度與準確度建立如極端天氣等複雜系統模型。
NVIDIA 借助此科學運算數位孿生名台開發兩項應用案例，其一是 NVIDIA FourCastNet 物理機器學習模型，用以模擬全球天氣模式，並作為預測颶風等極端天氣事件，相較傳統數據預測模型，不僅可信度更高，同時速度也提升 4.5 萬倍；另外是為西門子歌美颯離岸風力再生能源透過 AI 調整出最佳的風力發電機設計。
NVIDIA Modulus 框架將資料與控制物理包括在考量範圍內並訓練出一個神經網路，在針對數位孿生打造 AI 代理模型，代理模型可藉動態與反覆運算的工作流程級時推論新系統特性，並在 Omniverse 環境提供視覺化與即時互動探索功能。
最新版本的 NVIDIA Modulus 框架允許使用傅立葉神經算子進行資料驅動的訓練，使 AI 可同時解決相關的偏微分方程，並在機器學習模型加入如歐洲中期天氣預報中心的 ERA5 資料集等天氣與氣候資料，使其能夠針對天氣進行基於物理學的模擬。
NVIDIA FourCastNet 利用傅立葉神經算子與轉換器，以達 10TB 的地球系統資料進行物理機器學習模型，也是作為在 Omniverse 環境建構地球的數位孿生 Earth-2 系統的一步； NVIDIA FourCastNet 能將颶風、大氣河流等極端氣候特性與風險預測速度提升 4.5 萬倍，並具備更高的可信度。
至於與西門子歌美颯離岸風力發電廠的合作，則是利用數位孿生平台研究各式布局的風力渦輪增壓效果，是首度透過 AI 精確模擬風力發電機為智在各種天候下發電表現影響的應用，透過此次模擬所設計的風電廠布局較原先設計產生高出 20% 的發電量。
1 則回應