physicsnemo: 과학 및 공학을 위한 물리 정보 기반 AI 모델 구축 및 학습을 위한 확장 가능한 딥러닝 프레임워크

해결하는 문제

PhysicsNeMo는 AI4Science 및 공학을 위해 설계된 딥러닝 프레임워크입니다. 이 프레임워크는 물리 법칙(physics-informed)과 데이터 기반 접근 방식을 결합하여 전산 유체 역학(CFD), 구조 역학 및 전자기학 분야에서 실시간 예측을 가능하게 하는 AI 모델을 구축, 학습 및 배포하는 과제를 해결합니다.

작동 방식

PyTorch를 기반으로 구축된 이 프레임워크는 다음과 같은 모듈식 컴포넌트 스택을 제공합니다:

• Models: Neural Operators (FNO, DeepONet), Graph Neural Networks (GNNs), Diffusion models, 및 Physics-Informed Neural Networks (PINNs)를 포함한 최적화된 아키텍처 라이브러리.
• Datapipes: 메쉬(meshes) 및 포인트 클라우드(point clouds)와 같은 과학적 데이터 구조에 특화되어 조정된 확장 가능한 파이프라인.
• Distributed Computing: 단일 GPU에서 멀티 노드 클러스터로 학습을 확장하기 위한 torch.distributed 기반 모듈.
• Symbolic PDE Utilities: SymPy를 통해 편미분 방정식(PDEs)을 정의하고 자동 공간 미분을 통해 물리 정보 기반 손실 함수를 계산하는 도구.

대상 사용자

고정밀 시뮬레이션을 수행하고 과학을 위한 일반화 가능한 AI 모델을 개발해야 하는 SciML (Scientific Machine Learning) 연구자, 기후 과학자 및 공학 도메인 전문가를 대상으로 합니다.

주요 특징

• GPU Optimization: NVIDIA GPU에 고도로 최적화되어 학습 속도와 확장성을 극대화합니다.
• PyTorch Integration: 기존 PyTorch 워크플로우 및 광범위한 생태계와 원활하게 통합됩니다.
• Model Zoo: 미리 구현된 다양한 최첨단 SciML 아키텍처를 포함합니다.
• Extensibility: 배포를 위한 ONNX를 지원하며 새로운 기하학적 구조 및 제약 조건을 추가하기 위한 Pythonic API를 제공합니다.