英伟达 数字孪生(英伟达数字孪生平台：改变科学家与工程师们的思维方式)

Nvidia宣布对其digital twin平台的科学计算方案进行了大量重大改进，并计划开放这些功能供广泛使用。亮点包括模块的定期发布、基于物理学的AI工具、新的最佳集成支持，以及对自适应傅立叶神经算子(AFNO)的新3D AI技术的支持。发布的模块和Omniverse成果已经开放下载。英伟达加速计算首席产品经理迪翁哈里斯(Dion Harris)表示，这些发展有望重塑工程师在操作模型中考虑模拟方法的方式，从而将离线操作转变为连续在线操作。在此之前，英伟达已经发布了一系列重量级的公告，如建立地球-2 (Earth-2)项目，与气候变化研究人员的持续合作，以及在元宇宙的工程设计、测试和开发领域的长期规划。Nvidia还与Destin-E领先的气候研究超级计算项目合作，包括欧洲中期天气预报中心(ECMWF)。
Nvidia的数字孪生探索之路去年秋天，Nvidia在GTC大会上宣布了一系列数字孪生模块。所谓数字孪生，是指一种基于物理现实的神经网络模型，可以通过物理指令训练复杂系统。数字技术有助于改善气候模拟，探索产品和建筑设计中的物理、机械和电气规划，并有望在匹配AI替代模型的前提下，从现实世界的数据中抽象出新的物理理论。新的Omniverse集成功能将帮助团队将AI物理模型的输出馈送到Omniverse平台，并更容易地将强大的AI模型与Omniverse中内置的可视化工具相结合。更重要的是，这些新模型的仿真速度远高于传统物理模型，最终实现实时操作，或者在场景规划层面探索更多的变化可能性。哈里斯总结道，“Omniverse相当于建立了一个独特的运营模型，使得拥有一个全面高效的数据集和模拟工作流程成为可能。”与Omniverse集成后，工程师可以轻松地将数字结对引入现有工作流程。英伟达也在开发各种连接器，帮助工程师将现有的产品工程、架构和仿真工具与模型连接起来。Omniverse还可以帮助团队快速从AI模型中提取数据。Omniverse相当于为跨数据集和学科协作提供了一个集中的数据收集中心。它可以从各种来源获取数据，并使用通用的可视化表达格式在平台上组织数据。例如，气候研究中的下一代模型可以包括大气数据、地理空间数据和人类交互数据。同时，哈里斯解释说，要为不同的平台构建通用的场景描述插件，还有一系列的实际挑战需要克服，这也是Omniverse选择向开发者免费开放的原因之一。另一个重要的升级是支持自适应傅立叶神经算子(AFNO)。AFNO是指一组能够反映3D空间状况的神经网络。AFNO本身属于一类新的技术方法，包括傅立叶神经算子(FNO)和基于物理的神经算子(PNO)。这些技术通过偏微分方程模型对3D空间关系进行编码，使开发团队能够创建更准确的替代AI模型。相比之下，过去使用卷积或其他基于像素的方法来配置和编码3D对象的传统AI模型无法达到这样的精度。
使用AI增强气候模型的有效性作为ForeCastNet项目的一部分，Nvidia也公布了上述工具在气候研究领域的初步成果。目前，英伟达已与普渡大学、劳伦斯伯克利、密歇根大学等领先的气候研究机构合作。所谓ForeCastNet是一个AI替代模型，专门用来预测全球范围内的温和气候变化。相关研究论文描述了该团队如何使用AFNO建立一套极其快速和准确的模型，这些模型已经可以用作温和的气候变化预测模型。在气候和气象的研究中，模拟的分辨率一般以平方公里为单位，即每平方公里相当于一个像素。当然，可分辨的“像素”块越小越好。先进的第一性原理模型，如ECMWF综合预报系统(IFS)(即纯粹用科学理论设计的模型)，可以达到9公里的分辨率；与传统第一性原理方法构建的这些复杂模型相比，高级ForeCastNet模型的速度明显更快，但精度略低。如今的ForeCastNet已经可以做到18公里的解析分辨率，速度是IFS的45000倍，同样精度下做预测时的能耗也降低到12000倍。更何况之前出现的其他AI替代机型，最多只能把分辨率控制到25km。在这方面，ForeCastNet显然更胜一筹。目前要想进一步把准确率推向高点，需要投入大量远超传统方法的模型训练数据。比如要把分辨率从18 km提高到9 km，训练数据量需要提高30倍左右。目前，气象和研究工作按规模可分为两类，包括约17个大型气候变化中心和约175个小型区域气象研究小组。其中小型研究中心更关注边界定义清晰的场景，基本忽略了周围天气事件的影响。新的ForeCastNet模型将帮助这些小型气象站模拟跨境的大规模天气模型。哈里斯强调，“这将真正推动气候变化研究的普及。”值得一提的是，这个模型是基于过去40年的气候数据进行训练的，因此需要大量的时间和计算能力。但训练完成后，模型可以在低成本的计算机上运行，实现预测推理。例如，ForeCastNet在训练阶段需要使用具有3060个节点的超级计算机集群，但在完成后，研究人员已经能够在2节点的NVIDIA集群上运行它。哈里斯认为，在可预见的未来，第一性原理模型和AI智能体模型将长期处于合作关系。第一原理模型负责建立基本事实，而AI替代模型则帮助工程师快速重复场景模拟。Inventor也在同步改进这两种方法，希望加快天气研究和预报(WRF)和小尺度建模(COSMO)的模型联盟对气候变化的探索。
Global ForeCastNet的诞生也将有助于Nvidia去年在GTC宣布的“地球2”计划。地球2是英伟达为加速气候变化研究而建立的特殊系统。Earth 2模块将进一步将Omniverse和Nvidia硬件集成到一个统一的无缝平台中，以最佳的集成形式降低AI模型、气候数据、卫星数据和其他来源的数据注入门槛，并确保所有输入都能创建更准确的映射表示。哈里斯提到，“地球2号系统将把我们目前正在建设的所有成果整合到一个统一的集成平台上。”这样，不同的学科、研究技术和模型将共享相同的事实来源。Omniverse强大的协作能力也将帮助研究人员、政策制定者、企业高管和公民共同解决世界面临的紧迫问题。
寻找异常快的模拟速度，意味着研究人员也可以检测不同模拟下模型假设的具体扩散。气候变化研究人员用“连接”这个词来描述多个模型的测试过程，这些模型都有细微的变化。例如，他们可以连续运行21次模拟，以找出假设的微小变化对整体预测的影响。ForeCastNet甚至允许研究人员模拟成千上万个具有不同假设的子集，从而为预测结果提供更高的可靠性。哈里斯解释道，“它的意义不仅在于加快模型的运行速度，还在于通过多次运行帮助研究人员获得更准确的评估结论。如此复杂的系统接入3D空间后，研究人员的思路会豁然开朗。“西门子已经在使用类似的模型，但仍处于早期设计阶段。这种快速模拟技术将帮助他们在操作过程中不断运行类似的模型。例如，西门子一直在使用这些技术来模拟电厂的传热系统，并更有效地演示风力涡轮机的运行状态。新的风力性能替代模型有望优化风电场布局，比原设计增加20%的发电能力。哈里斯总结道，“如今，数字双胞胎已经广泛应用于医疗、制造、科学和娱乐等诸多领域。科学家和工程师的思维方式可能会改变。”