NVIDIA Modulus 是一个结构，用于构建、练习和微调物理体系的深度学习模型，也称为物理知情机器学习（physics ML）模型。现在，Modulus 以开源软件（OSS）的方式供给（根据 Apache 2.0 许可证），以支撑不断增加的物理 ML 社区。
最新的 Modulus 软件更新 23 . 05 版汇集了新的功能，使研讨界和行业能够经过开源协作将研讨开发成企业级解决方案
此次更新的两个首要组成部分是 1 ）支撑包含图神经网络（ GNN ）和递归神经网络（ RNN ）在内的新网络架构，以及 2 ）提高人工智能从业者的易用性。
图形神经网络支撑
GNN 正在改变研讨人员如何应对触及杂乱图形结构的挑战，例如物理、生物学和社交网络中遇到的挑战。经过利用图的结构， GNN 能够依据图中节点之间的联系进行学习和猜测。
经过 GNN 的运用，研讨人员能够将体系建模为图或网格。这种才能在核算流体动力学、分子动力学模拟和材料科学等运用中很有用
运用 GNN ，研讨人员能够更好地了解具有杂乱几许结构的杂乱体系的行为，并依据学习到的形式和数据中的相互作用生成更精确的猜测。
NVIDIA Modulus 的最新版本支撑 GNN，使您能够为特定用例开发自己的根据 GNN 的模型。Modulus 包含根据Learning Mesh-Based Simulation with Graph Networks的体系结构，其中包含MeshGraphNet model，可在参数化旋涡脱落数据集上进行预练习。此预练习模型可经过 NVIDIA 从NGC取得。
Modulus 还包含在GraphCast: Learning Skillful Medium-Range Global Weather Forecasting中提出的新式根据 GNN 的架构，用于全球气候预报。GraphCast 经过有效地捕捉气候数据中的时空联系，明显改进了一些现有模型。它将气候数据建模为图形，其中节点表明地球网格单元，这种根据图的表明使模型能够捕获数据中的本地和非本地依靠联系。
这个GraphCast架构由四个首要组件组成：嵌入器、编码器、处理器和解码器。嵌入器将输入特征嵌入到潜在表明中。编码器将网格潜在特征的部分区域映射到多网格图表明的节点中。处理器利用学习的消息传递来更新每个多网格节点。
最后，解码器将处理后的多网格特征映射回网格表明。多重网格是一组二十面体网格，其分辨率不断提高，在全球范围内供给均匀的分辨率。Modulus-Launch 中的 GraphCast 练习配方支撑ERA-5 数据集的数据并行性。图 1 显示了在 ERA-5 数据集的 34 个变量子集上运用 Modulus 中练习的 GraphCast 模型对 2 米温度的样本外猜测成果。
图 1 。运用在 Modulus 中练习的 GraphCast 模型对 ERA-5 数据集的 34 个变量子集进行 2 米温度的样本外猜测
GraphCast 完成支撑梯度检查点，以减少存储器开支。它还供给了一些优化，包含CuGraphOps支撑、交融层标准、Adam 优化器运用Apex、高效的边际功能更新等等。
递归神经网络支撑
时刻序列猜测是许多领域的要害任务。深度学习架构的运用，特别是 RNN 、长短期回忆网络（ LSTM ）和相似网络的运用，明显增强了猜测才能
这些模型在捕捉时刻依靠性和学习随时刻变化的杂乱形式方面是独特的，这使它们非常适合猜测时变联系。在物理学 ML 中，这些模型在猜测动态物理体系的进化、完成更好的模拟、理解杂乱的自然现象和帮助发现方面至关重要
Modulus 的最新版本增加了对 RNN 类型层和模型的支撑，使您能够在模型猜测工作流中将 RNN 运用于2D 空间域和3D 空间域。图 2 展现了 Modulus 中 RNN 模型的猜测与 Gray-Scott 体系的实际成果之间的比较。
图 2 : NVIDIA Modulus 中 Gray-Scott 体系的三维瞬态猜测
易于运用的模块
Modulus 代码库已被重新构建为模块，以便于运用。这与PyTorch相符，由于其易用性，近年来已成为研讨人员最受欢迎的深度学习结构之一。
中心 Modulus 模块由物理 ML 模型的中心结构和算法组成。Modulus-Launch模块由优化的练习配方组成，能够加快相似 PyTorch 的练习模型的工作流，让人工智能研讨人员能够取得相似 PyTorch 的体会。NVIDIA Modulus Sym是一个根据符号偏微分方程（ PDE ）的模块，能够让领域专家用来练习根据 PDE 的物理 ML 模型。
现代深度学习结构的一个要害特征是它们的互操作性。这个 Modulus 版本使人工智能开发人员更简单将 PyTorch 模型引进 Modulus ，反之亦然。这有助于确保模型能够在不同的平台和环境中共享和重用
想要了解 Modulus 23.05 中所有新功能的更多信息，请拜访Modulus 发行阐明。
立即开始运用 GNN 进行物理 ML
想要了解更多关于 NVIDIA Modulus 的信息并开始运用，请参阅 NVIDIA 深度学习学院的课程Modulus 物理信息机器学习入门。您能够运用Modulus LaunchPad的免费实践实验室取得短期拜访，无需设置自己的核算环境。
要在您自己的环境中尝试 Modulus，请下载最新的 Modulus 容器或安装 Modulus pip 轮子。要定制并为 Modulus 开源结构做出奉献，请拜访NVIDIA/modulus GitHub。
