physicsnemo: 科学および工学のための物理情報に基づいたAIモデルを構築・訓練するためのスケーラブルなディープラーニングフレームワーク

何を解決するか

PhysicsNeMoは、AI4Scienceおよび工学向けに設計されたディープラーニングフレームワークです。計算流体力学（CFD）、構造力学、電磁気学などの分野において、物理法則（物理情報に基づいた）とデータ駆動型のアプローチを組み合わせ、リアルタイム予測を可能にするAIモデルの構築、訓練、およびデプロイという課題を解決します。

仕組み

PyTorchの上に構築されたこのフレームワークは、モジュール式のコンポーネントスタックを提供します：

• Models: Neural Operators (FNO, DeepONet), Graph Neural Networks (GNNs), Diffusion models, および Physics-Informed Neural Networks (PINNs) を含む、最適化されたアーキテクチャのライブラリ。
• Datapipes: メッシュやポイントクラウドのような科学的データ構造に特化して調整された、スケーラブルなパイプライン。
• Distributed Computing: 単一のGPUからマルチノードクラスターまで訓練をスケールさせるための、torch.distributed に基づくモジュール。
• Symbolic PDE Utilities: SymPy を介して偏微分方程式（PDEs）を定義し、自動空間微分を用いて物理情報に基づいた損失を計算するためのツール。

対象者

高精度なシミュレーションを実行し、科学のための汎用的なAIモデルを開発する必要がある SciML (Scientific Machine Learning) 研究者、気候科学者、および工学分野の専門家を対象としています。

ハイライト

• GPU Optimization: NVIDIA GPU向けに高度に最適化されており、訓練速度とスケーラビリティを最大化します。
• PyTorch Integration: 既存の PyTorch ワークフローおよび広範なエコシステムとシームレスに統合されます。
• Model Zoo: 事前に実装された幅広い最先端の SciML アーキテクチャが含まれています。
• Extensibility: デプロイ用の ONNX をサポートし、新しい幾何学形状や制約を追加するための Pythonic な API を提供します。