physicsnemo: 一個用於科學與工程領域建構與訓練物理告知 AI 模型的可擴展深度學習框架

它解決了什麼問題

PhysicsNeMo 是一個專為 AI4Science 與工程設計的深度學習框架。它解決了建構、訓練與部署結合物理定律（物理告知）與數據驅動方法之 AI 模型的挑戰，從而在計算流體力學 (CFD)、結構力學與電磁學等領域實現即時預測。

運作原理

該框架建立在 PyTorch 之上，提供模組化的組件堆疊：

• Models: 一個包含優化架構的函式庫，包括 Neural Operators (FNO, DeepONet)、Graph Neural Networks (GNNs)、Diffusion models 以及 Physics-Informed Neural Networks (PINNs)。
• Datapipes: 專為網格 (meshes) 與點雲 (point clouds) 等科學數據結構進行微調的可擴展流水線。
• Distributed Computing: 基於 torch.distributed 的模組，用於將訓練從單個 GPU 擴展到多節點集群。
• Symbolic PDE Utilities: 透過 SymPy 定義偏微分方程 (PDEs) 的工具，用於計算具有自動空間導數的物理告知損失函數。

對象是誰

它適用於 SciML (Scientific Machine Learning) 研究人員、氣候科學家以及需要進行高保真模擬並為科學開發具備泛化能力的 AI 模型的工程領域專家。

重點特色

• GPU Optimization: 針對 NVIDIA GPUs 進行高度優化，以最大化訓練速度與可擴展性。
• PyTorch Integration: 與現有的 PyTorch 工作流及更廣泛的生態系統無縫整合。
• Model Zoo: 包含大量預先實現的尖端 SciML 架構。
• Extensibility: 支援 ONNX 以進行部署，並提供 Pythonic APIs 以新增幾何形狀與約束條件。