physicsnemo：用于构建和训练面向科学与工程的物理感知 AI 模型的可扩展深度学习框架

它解决了什么问题

PhysicsNeMo 是一个面向 AI4Science 与工程的深度学习框架。它解决了构建、训练和部署将物理定律（物理感知）与数据驱动方法相结合的 AI 模型的难题，从而在计算流体力学（CFD）、结构力学和电磁学等领域实现实时预测。

工作原理

基于 PyTorch 构建，框架提供了一套模块化组件：

• Models：包含经过优化的架构库，诸如神经算子（FNO、DeepONet）、图神经网络（GNN）、扩散模型以及物理感知神经网络（PINNs）。
• Datapipes：针对网格、点云等科学数据结构专门调优的可扩展管道。
• Distributed Computing：基于 torch.distributed 的模块，可将训练从单 GPU 扩展到多节点集群。
• Symbolic PDE Utilities：使用 SymPy 定义偏微分方程（PDE）的工具，可通过自动空间导数计算物理感知损失。

适用人群

面向 SciML（科学机器学习）研究者、气候科学家以及需要进行高保真仿真并开发可推广科学 AI 模型的工程领域专家。

亮点

• GPU 优化：针对 NVIDIA GPU 进行高度优化，以最大化训练速度和可扩展性。
• PyTorch 集成：可无缝融入现有的 PyTorch 工作流及其生态系统。
• Model Zoo：提供丰富的预实现前沿 SciML 架构。
• 可扩展性：支持 ONNX 部署，并提供 Pythonic API 以便添加新几何体和约束。

摘要

一个开源深度学习框架，用于构建和训练面向科学与工程的物理感知 AI 模型，针对 NVIDIA GPU 进行优化。

标题

physicsnemo：用于构建和训练面向科学与工程的物理感知 AI 模型的可扩展深度学习框架