NVIDIA/physicsnemo

Open-source deep-learning framework for building, training, and fine-tuning deep learning models using state-of-the-art Physics-ML methods

解決する課題

PhysicsNeMoは、科学および工学のためのAIモデル（AI4Science）の開発を加速するために設計されたディープラーニング・フレームワークです。物理知識とデータを組み合わせ、複雑な物理システムの高精度かつリアルタイムな予測を可能にすることで、計算流体力学（CFD）、構造力学、電磁気学などの分野におけるシミュレーション開発時間を短縮します。

仕組み

PyTorchをベースに構築されたこのフレームワークは、物理情報に基づく機械学習モデルの構築、学習、デプロイのためのモジュール化されたコンポーネント・スタックを提供します。これには以下が含まれます：

  • Model Zoo: Neural Operators (FNO, DeepONet)、グラフニューラルネットワーク (GNNs)、拡散モデル、および物理情報に基づくニューラルネットワーク (PINNs) を含む、最適化されたアーキテクチャのコレクション。
  • Data Pipelines: メッシュやポイントクラウドなどの科学的データ構造に特化して調整された、スケーラブルなデータパイプ。
  • Distributed Computing: 単一GPUからマルチノード・クラスターへの学習のスケールアップを可能にする torch.distributed ベースのサブモジュール。
  • Symbolic PDE Utilities: SymPyを介して方程式を定義し、自動空間微分を使用して物理情報に基づく損失を計算するためのツール。

対象ユーザー

NVIDIA GPU上で最適なパフォーマンスで大規模な物理MLモデルを学習させる必要がある、SciML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

  • シームレスなPyTorch統合: 使い慣れたPythonインターフェースを備え、PyTorchの補完的なツールとして機能します。
  • GPU最適化: 学習速度とスケーラビリティを最大化するために、NVIDIA GPU向けに高度に最適化されています。
  • 拡張可能な設計: 柔軟なデプロイのためのONNXをサポートし、カスタムの物理モデルや制約を定義するためのAPIを提供します。
  • ドメイン特化型パッケージ: CFDおよび気象・気候研究（Earth-2 Studio）向けの専門的なサブモジュールが含まれています。