通過NVIDIA SimNet v21.06進(jìn)行頻域電磁仿真

NVIDIA 模擬網(wǎng)絡(luò) 是一個(gè)物理信息神經(jīng)網(wǎng)絡(luò)（ PINNs ）工具箱，適用于工程師、科學(xué)家、學(xué)生和研究人員，他們要么想開始人工智能驅(qū)動(dòng)的物理模擬，要么想利用一個(gè)強(qiáng)大的框架來實(shí)現(xiàn)他們的領(lǐng)域知識(shí)，用實(shí)際應(yīng)用來解決復(fù)雜的非線性物理問題。

V21.06 建立在一個(gè)成功的基線特性早期訪問程序的基礎(chǔ)上，并在附加的新功能上分層。 這個(gè) GA 版本 引入了對(duì)新物理的支持，如 Ele CTR omagnetics 和 2D 波傳播，并提供了一種新的算法，使更多的用例能夠模擬更復(fù)雜的流體熱系統(tǒng)。新的時(shí)間步方案已經(jīng)被用于解決時(shí)間問題，將時(shí)間視為離散和連續(xù)的。

其他特性和增強(qiáng)功能包括 梯度聚合方法，用于在每個(gè) GPU 上增加批處理大小，自適應(yīng)采樣用于在高損失區(qū)域增加點(diǎn)云密度，同方差任務(wù)不確定性量化用于損失權(quán)重，傳遞學(xué)習(xí)算法可以快速訓(xùn)練 STL 的有效的基于代理的參數(shù)化，以及構(gòu)造實(shí)體幾何和多項(xiàng)式混沌展開方法，用于評(píng)估模型輸入中的不確定性如何體現(xiàn)在其輸出中。 SimNet v21. 06 還通過乘法濾波網(wǎng)絡(luò)擴(kuò)展了現(xiàn)有的網(wǎng)絡(luò)體系結(jié)構(gòu)。

SimNet v21.06 亮點(diǎn)

Electromagnetics

利用 SIMNETV21.06 可以進(jìn)行頻域電磁仿真。頻域麥克斯韋方程的實(shí)型解可以是一維、二維和三維情況下的標(biāo)量形式（亥姆霍茲方程），也可以是三維情況下的矢量形式。邊界條件可以是二維和三維情況下的理想電子 CTR 離子導(dǎo)體（ PEC ），三維情況下的輻射邊界（吸收邊界）條件和二維波導(dǎo)源的波導(dǎo)端口解算器。實(shí)現(xiàn)了二維 TEz 模和 TMz 模頻域 ele CTR 磁和三維 ele CTR 磁的實(shí)型求解。

時(shí)間物理學(xué)中的時(shí)間步進(jìn)格式

在流體力學(xué)和電磁等領(lǐng)域，許多計(jì)算問題都需要進(jìn)行瞬態(tài)模擬。直到最近，神經(jīng)網(wǎng)絡(luò)解算器一直在努力獲得準(zhǔn)確的結(jié)果。通過在這一領(lǐng)域的多項(xiàng)創(chuàng)新， SimNet 現(xiàn)在能夠以更高的速度和精度解決各種瞬態(tài)問題。 下面顯示的是泰勒格林渦衰減使用瞬態(tài)和湍流納維 – 斯托克斯模擬。

遷移學(xué)習(xí)

在重復(fù)訓(xùn)練中，例如基于替代項(xiàng)的設(shè)計(jì)優(yōu)化訓(xùn)練或不確定性量化訓(xùn)練，傳遞學(xué)習(xí)可以縮短神經(jīng)網(wǎng)絡(luò)求解器的收斂時(shí)間。一旦為單個(gè)幾何體訓(xùn)練了模型，訓(xùn)練后的模型參數(shù)將轉(zhuǎn)換為求解不同的幾何體，而不必從頭開始訓(xùn)練新幾何體。

遷移學(xué)習(xí)加速了特定于患者的顱內(nèi)動(dòng)脈瘤模擬。

兩種不同形狀的動(dòng)脈瘤。

梯度聚集

訓(xùn)練一個(gè)復(fù)雜問題的神經(jīng)網(wǎng)絡(luò)解算器需要一個(gè)大批量的大小，可以超出可用的 GPU 內(nèi)存限制。增加 GPU 的數(shù)量可以有效地增加批處理大小，但是在 GPU 可用性有限的情況下，可以使用梯度聚合。通過梯度聚合，使用不同的小批量點(diǎn)云在幾個(gè)向前/向后迭代中計(jì)算所需的梯度，然后聚合并應(yīng)用于更新模型參數(shù)。實(shí)際上，這將增加批量大?。ūM管以增加訓(xùn)練時(shí)間為代價(jià)）。

增加批量可以提高神經(jīng)網(wǎng)絡(luò)求解的精度。

1 GPU 上的 4 個(gè)梯度聚合= 4 GPU ，無梯度聚合。

這些結(jié)果比沒有任何梯度聚集的 1gpu 結(jié)果更準(zhǔn)確。

最近的 SimNet 隨需應(yīng)變技術(shù)會(huì)議

“ 非均勻介質(zhì)力學(xué)的物理信息神經(jīng)網(wǎng)絡(luò) ”——印度工業(yè)學(xué)院孟買分校舉辦了一個(gè)關(guān)于異質(zhì)介質(zhì)力學(xué)的物理信息神經(jīng)網(wǎng)絡(luò)會(huì)議?；?PINN 的 NVIDIA SimNet 工具箱被用來開發(fā)一個(gè)模擬彈性和彈塑性材料損傷的框架。為了驗(yàn)證， SimNet 結(jié)果與基于 Haghiatt 等人（ 2020 ）的分析解非常一致。

“ 利用物理信息神經(jīng)網(wǎng)絡(luò)和 SimNet 加速產(chǎn)品開發(fā) ” Kinetic Vision 介紹了一個(gè)關(guān)于使用物理信息神經(jīng)網(wǎng)絡(luò)和 SimNet 加速產(chǎn)品開發(fā)的會(huì)議，其中使用 SimNet 模擬了在航空航天和一些工業(yè)應(yīng)用中遇到的 Coanda 效應(yīng)。二維和三維幾何圖形都是使用 SimNet 的內(nèi)部幾何模塊構(gòu)建的，并使用改進(jìn)的 Fourier 網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行仿真。結(jié)果表明，用商業(yè) CFD 程序、 ansysfluent 和訓(xùn)練后的 SimNet-PINN 預(yù)測(cè)的流場(chǎng)在定性上非常相似。此外， Kinetic Vision 使用 SimNet 進(jìn)行參數(shù)化仿真，并進(jìn)一步將這些結(jié)果與 SolidWorks 集成到 CAD 中進(jìn)行自動(dòng)推理，同時(shí)為用戶提供了一種從 SolidWorks UI 與 SimNet 交互的方式。

“ 混合物理神經(jīng)網(wǎng)絡(luò)在數(shù)字孿生兒預(yù)后和健康管理中的應(yīng)用 ” – 中佛羅里達(dá)大學(xué)提出了一個(gè)關(guān)于混合物理的神經(jīng)網(wǎng)絡(luò)，用于預(yù)測(cè)和健康管理的數(shù)字孿生神經(jīng)網(wǎng)絡(luò)，其中建立了雙數(shù)字模型來預(yù)測(cè)飛機(jī)窗口板的損傷和疲勞裂紋擴(kuò)展。 SimNet 模型以物理學(xué)為基礎(chǔ)，這確保了結(jié)構(gòu)材料預(yù)測(cè)和健康管理所需的準(zhǔn)確性。一旦 SimNet 模型經(jīng)過訓(xùn)練，就可以根據(jù)不同的輸入條件進(jìn)行快速而準(zhǔn)確的計(jì)算。 SimNet 也達(dá)到了很好的精度，商業(yè)解決方案所達(dá)到的高度網(wǎng)格細(xì)化。使用 SimNet ，他們可以將預(yù)測(cè)模型擴(kuò)展到 500 架飛機(jī)的機(jī)隊(duì)，并在不到 10 秒內(nèi)得到預(yù)測(cè)結(jié)果，而如果他們使用高保真有限元模型執(zhí)行相同的計(jì)算，則需要幾天到幾周的時(shí)間。

“ 基于物理信息的多孔介質(zhì)流動(dòng)與輸運(yùn)神經(jīng)網(wǎng)絡(luò) ” – 斯坦福大學(xué)提出了一個(gè)物理會(huì)議，通知深學(xué)習(xí)在多孔介質(zhì)中的流動(dòng)和運(yùn)輸，其中一種方法被用來模擬兩相不混溶輸運(yùn)問題（ Buckley Leverett ）。該模型能產(chǎn)生沖擊和稀薄兩方面的精確物理解，并遵循控制偏微分方程以及初始和邊界條件。請(qǐng)?jiān)谖覀兊?NVIDIA 博客 here 上閱讀更多信息。

“ 利用基于物理的神經(jīng)網(wǎng)絡(luò)加速計(jì)算科學(xué)與工程 ”– NVIDIA 介紹了一個(gè)關(guān)于人工智能加速計(jì)算科學(xué)和工程的會(huì)議，該會(huì)議使用基于物理的神經(jīng)網(wǎng)絡(luò)，涵蓋了最先進(jìn)的人工智能，用于解決從實(shí)時(shí)模擬（例如。，設(shè)計(jì)空間探索（生成性設(shè)計(jì)和產(chǎn)品設(shè)計(jì)優(yōu)化）、反問題（如醫(yī)學(xué)成像、油氣勘探中的全波反演）和改進(jìn)的科學(xué)（如微觀力學(xué)、湍流），這些問題由于各種梯度和不連續(xù)性而難以解決，由于物理定律和復(fù)雜的形狀。

隨需應(yīng)變網(wǎng)絡(luò)研討會(huì)：“ 用 NVIDIA SimNet 在理工科課程中構(gòu)建基于人工智能的仿真能力 ”了解 NVIDIA SimNet 如何解決廣泛的用例，包括無任何訓(xùn)練數(shù)據(jù)的耦合正演模擬，以及反演和數(shù)據(jù)同化問題。

關(guān)于作者

Rekha Mukund 是 NVIDIA 計(jì)算組的產(chǎn)品經(jīng)理，負(fù)責(zé)為汽車、 Jetson 和 Android 平臺(tái)開發(fā) CUDA Tegra 產(chǎn)品。她還負(fù)責(zé)管理 NVIDIA SimNet 產(chǎn)品和 OpenCL 計(jì)劃。在加入 NVIDIA 之前， Rekha 在付費(fèi)電視技術(shù)領(lǐng)域與思科合作了八年多。她是英國(guó)大學(xué)計(jì)算機(jī)科學(xué)學(xué)院的金牌獲得者，他是印度國(guó)家級(jí)乒乓球運(yùn)動(dòng)員和狂熱的旅行者。

Sanjay Choudhry 是 NVIDIA 的高級(jí)主管，對(duì)傳統(tǒng)計(jì)算方法以及科學(xué)和工程領(lǐng)域的機(jī)器學(xué)習(xí)都有很強(qiáng)的背景。他領(lǐng)導(dǎo) SimNet 的工程工作，并熱衷于為工業(yè)應(yīng)用開發(fā)基于人工智能的模擬解決方案。

審核編輯：郭婷