PhysicsNeMo: 基于神经算子的物理仿真框架

论文速览

标题：PhysicsNeMo: A Framework for Neural Operator-based Physics-ML Models

作者：NVIDIA 物理仿真与 AI 研究团队

核心贡献：

1. 统一的神经算子框架（FNO / DeepONet / AFNO / Kapoor Transformer）
2. 端到端可微分物理仿真流水线（几何 → 边界条件 → 求解 → 后处理）
3. 多 GPU/TPU 分布式训练支持（Megatron-LM 风格数据并行）
4. 生产级部署工具（ONNX Export + Triton Inference Server）

关键结果

• 在 NASA Clap 基准上，FNO 精度比传统 RANS 代理模型高 30%
• 多 GPU 训练线性加速比：8 GPU ≈ 7.5×（4096 样本/批次）
• 端到端推理时间：< 50ms/样本（单 GPU A100）

适用场景

• 工业级物理 AI 产品开发（汽车、航空、能源）
• 大规模预训练物理基础模型（Physics Foundation Model）
• 与 NVIDIA Modulus（现 PhysicsNeMo）的工业应用集成

使用注意

• Apache-2.0，商业友好
• 需 CUDA 12+，推荐 A100/H100
• 国内访问 GitHub 需代理
• 与 Simdroid 生态互补：Simdroid 做高精度CAE，PhysicsNeMo 做快速代理模型