PhysicsNeMo
新一、简介
PhysicsNeMO 是 NVIDIA 开源的物理机器学习框架,基于 PyTorch、采用 Apache-2.0 许可。它在 2025 年初因商标和解由 Modulus 更名而来,因此现在的 PyPI 包名是 nvidia-physicsnemo,仓库是 NVIDIA/physicsnemo。本条目面向三类读者:要选框架训练物理信息或算子式代理模型的算法工程师;需要判断「代理模型能否替代或加速经典求解」的 CAE 技术负责人;以及要复核「AI 模型比 CFD 快」这类厂商主张的评审。本站的神经算子选型、传统求解器成本边界与 PINN 全景综述三篇长文给出判断框架,本篇补上框架一侧的工程细节。文中所有版本与能力陈述均于 2026 年 11 月 11 日核对项目仓库、PyPI 元数据与 NVIDIA 文档,凡属项目自述、未经独立测量的内容,第九节明确标注证据等级。
目标读者首先需要理解:PhysicsNeMo 是训练框架,不是求解器。它不生产训练语料——那是 OpenFOAM 或 FEniCS 一类经典工具的职责;它也不替代参照求解,而是把物理约束写进损失,与 SU2 这类气动优化求解器、JAX-CFD 这类可微求解器处在不同契约上。本篇讲清它实际提供什么、版本如何演进、和同类工具怎么比、在什么边界会失效,以及口径如何核对,避免把厂商自报的排行榜数字直接当成可复现结论。读完后应能判断:在一个具体物理 AI 项目里,它究竟是合适的主力,还是只适合做其中的一段管线。框架最常被误用的根源,正是把「要解决的问题」和「框架支持的契约」对不上号。
二、原理与工作方式
框架的核心是「多损失项加权」的训练循环:数据拟合项、由控制方程导出的物理残差项、边界与初值条件项,通过可配置的聚合策略加权。其自动微分后端对网络输出关于空间与时间输入求偏导,因此有限体积法要靠差分计算的偏导数,在这里可以解析地取得。这个后端正是物理信息路径的基础:在采样点上计算 PDE 残差并加入目标函数。网络层提供多层感知机、傅里叶特征网络、带乘性滤波层的改进 MLP 的优化实现,以及 FNO、AFNO、GeoTransolver、FLARE、DoMINO、Transolver 等算子与 Transformer 族,还有 2.1.0 加入的 GLOBE 模型。理解这一点,就能理解为什么它不只是一个「网络库」,而是一整套把物理方程、网格与分布式训练绑在一起的 SciML 工具链。
框架由两部分组成。核心包提供模型架构、面向规则与非结构网格的 SciML 数据管线、分布式训练工具与检查点管理。符号包自 2.1.0 起并入核心,成为 physicsnemo.sym,用户可用 SymPy 声明 PDE 并选择梯度方法,空间导数由此自动计算;独立的 physicsnemo-sym 仓库已在 2025 年 5 月 29 日归档。另有一个独立的扩散模块 physicsnemo.diffusion,提供去噪器、采样器与噪声调度器,服务于生成式 SciML——这是与确定性代理不同的契约,应单独评估,不应混为一谈。把「确定性场预测」与「采样式生成」这两个概念分开,是正确阅读本框架能力的前提,因为把两者混在一起,会产生框架从未承诺过的说法。
三、适用边界与前提
框架假定你带入的训练问题符合它支持的某一种契约:物理信息路径(由 PDE 残差提供监督、标注场可以稀缺)、算子路径(存在由 OpenFOAM 或 FEniCS 产出的成对输入输出场),或固定几何族上的数据驱动代理。它自身不是求解器、不生成语料——那部分工作属于经典工具,而生成语料的成本正是成本边界综述里必须计入项目预算的科目。物理残差项由你编码的同一个方程导出,因此它无法纠正公式中的系统性建模错误:若边界条件或本构关系错了,残差会与错误答案一致,起不到揭示作用,也不会给出任何「此处不符」的信号。所谓「约束」,只在方程本身正确时才是约束。
平台前提同样具体。2.x 系列要求 Python 3.11 及以上,2.2.2 进一步要求 torch 2.10.0 及以上。CUDA 后端通过 cu12 或 cu13 附加项选择,容器镜像采用年.月标签(25.03 到 26.08),与 pip 版本号并不对应,因此报告中必须写明用的是哪个制品。Apache-2.0 许可允许商用与修改,这属于应由各自法务复核的法律问题,本文不把它写成技术保证。框架在经验证的包络内价值最大;当交付物是安全关键部件时,它不能替代认证级验证。把「框架能训」和「框架能认证」区分开,是落地前的第一项核对。最常见的问题来源,正是你交给它的问题与它支持的契约对不上号——后文失效模式一节会用具体例子说明一个被违反的前提在实践中长什么样。
四、上手路径
安装路径在文档里写为 pip install nvidia-physicsnemo,可选附加项包括 cu13、nn-extras 与 sym。导入路径在更名时从 import modulus 改为 import physicsnemo,因此仍引用 modulus 的旧教程会失败,复制任何代码前都必须先更新。首个物理信息实验遵循文档工作流:定义几何或导入网格、用符号接口声明 PDE、设置采样、再用内置训练工具训练。仓库自带示例配方——基于 GeoTransolver 的外部气动、基于 Stormscope 架构的天气临近预报、汽车碰撞——是看到可运行配置的最快方式,比从空脚本起步更省力。新手最常踩的坑,是跑一份为 Modulus 写的教程、撞上导入错误,便误以为框架坏了;先确认装的是哪个包名,这类困惑就消失了。
在扩容之前,先做小规模过拟合体检:确认网络在几百个样本上能把训练残差压到很低,因为若做不到,问题更可能在数据契约或方程编码,而不在容量。随后在留出系数上评测,并对算子模型在「不同于训练网格」的分辨率上、用经典求解器新算的参照做比较;逐场误差、守恒积分与边界通量一并记录。FNO 教程与神经算子实践教程汇总了配套材料,神经算子选型指南则讲清何时该用算子模型、何时该用 PINN。把安装的版本、CUDA 附加项与随机种子随每个检查点一起归档,这三项决定结果能否复现,而一个无法复现的结果,是没法向客户辩护的。
五、横向对比
按契约比较比按榜单排名更有用。NeuralOperator学的是「系数或源项到解场」的映射、需要由 OpenFOAM 这类工具产出的成语料;PhysicsNeMo 既能做这种语料条件下的训练,也覆盖「无标注场、由残差监督」的物理信息路径。DeepXDE 与 PhysicsNeMo 都提供物理信息基础设施,但后者 PyTorch 原生、可组合的设计与分布式训练工具更面向大型工业运行。SU2 与 OpenFOAM 是求解器,并不属于训练框架:它们生成代理学习的场,并始终是代理误差的参照。JAX-CFD 与 PhiFlow 是可微求解器,价值在于梯度能穿过仿真,服务于 solver-in-the-loop 训练,而 PhysicsNeMo 训练的是独立网络。Poseidon 一类基础模型提供跨任务的预训练起点,与「为单一几何训练一个代理」是不同命题。
在 NVIDIA 自身栈内,确定性代理(GeoTransolver、FLARE、DoMINO、Transolver)与生成式扩散模块的对立最值得摊开:前者对给定输入返回确定场,后者采样「合理场」,需要自己的验证协议。经典降阶模型——本征正交分解加系数插值——同样是正当比较对象,且常常更易审计。若需求从「训练好的代理」转为「穿过可压缩流求解的梯度」,JAX-Fluids 这类可微替代方案也值得纳入视野。本站的神经算子选型指南与成本边界综述把比较钉在交付物上:一次认证求解、交互式设计扫描,还是带梯度的反问题。在固定 GPU 前向传播基准上占优的框架,若项目成本被语料生成与验证主导,结论可能反转——这正是「先写清问的是哪个问题」的意义。
六、基准与数据
公开证据是厂商指标与独立警示的混合。在 DrivAerML 道路车型数据集上,DoMINO 示例报告表面-only 模型的阻力系数 R² 为 0.983、表面加体积模型为 0.975,均以参照 CFD 为基准;同一族结果出现在 ML4CFD 竞赛中,图与算子类参赛作品报告相对传统求解器约 300× 到 600× 的加速,然而最终夺冠的是经典网格形变高斯过程方法,因为评分把精度权重放在速度之上。NVIDIA 于 2026 年 5 月推出的 PhysicsNeMo CFD 模块,增加了配置驱动的基准评测,报告 L2 压力、速度与湍流黏性误差,以及积分后的阻力与升力误差,使领域专家用几处 YAML 改动即可跑通一个预训练检查点。这些都是项目自述的能力声明,不是对精度或速度的独立验证。
独立研究给这种乐观降温。一项 2026 年的从业者研究在单张消费级 GPU 上把 PhysicsNeMo 代理与经典线性降阶模型比较,发现在线弹性方法占优的条件下,经典方法更准且同样快,神经模型在尖锐界面数据的自回归推进下明显退化。一项对 76 篇「机器学习击败经典求解器」论文的综述发现,79% 对照的是弱基线。这些不是拒绝框架的理由,而是提醒:任何加速比数字在基线、精度、网格与硬件未写清之前都应视为未验证。方案里引用的任何数字都应来自本地运行,且语料、检查点与版本字符串随报告归档,口径与本站多物理场案例与航空 CFD 案例相同。
七、物理 AI 场景中的用法
在生产管线里,PhysicsNeMo 位于求解器与消费方之间:OpenFOAM 或 FEniCS 产出成对场,框架训练代理,消费方在设计扫描、不确定性循环或反问题中反复查询。价值集中在窄分布内的重复查询上。同一组配置只查一次,训练成本占主导;查上万次,摊销才可能成立,前提是成本边界综述里的四本账都算过。框架统一的网格处理模块、以及对 PyVista、VTK、VTU 网格的转换支持,让数据准备这一步不再那么定制化——而网格处理恰恰是工程量最大的地方,这一点的价值常被低估。把几何、网格与采样绑在一起,正是语料可复现与误差可归因的前提。
框架还嵌入更长的验证链。OpenFOAM 等经典求解器仍是正确性参照;物理信息模型可在标注稀缺时提供残差修正,遵循 PINN 全景综述;Poseidon 一类基础模型可提供预训练起点。这些都不替代在留出配置上做独立参照求解。本站的物理 AI 学习路径把这些角色排成顺序,而框架 2.1.0 引入的嵌入式分布外守卫,是把不可信查询路由回求解器的一种机制。训练前写下预期查询次数,仍是避免不可收回投入的最便宜手段;这一纪律与成本边界综述的四本账直接相连,因为查询次数正是决定固定训练成本能否收回的那一个变量。
八、不适用场景与失效模式
谱截断与离散假设都是建模选择。在单一离散方式上训练的算子模型会带上该离散方式的谱偏差,换网格并不自动迁移物理,这正是关于傅里叶算子分辨率等变性的独立研究所提示的。自回归推进会累积误差:一步的小偏差在下一步变成分布偏移,长时程轨迹可能漂移或失去物理合理性。边界条件与守恒律不会被数据驱动或残差加权的损失精确强制执行,因此质量或能量漂移可以与外观良好的场并存。分布外失效常常没有报错:预测保持平滑有界,却已经错了——嵌入式守卫正是为标记这种情况而设,但守卫本身也需要在训练中校准,不是凭空生效。
还有若干实际限制。2.x 系列的 Python 3.11 门槛与 2.2.2 的 torch 2.10 要求约束部署环境,容器镜像标签与 pip 版本不对应,因此溯源必须显式记录。框架本身不提供认证精度或审计轨迹;当交付物需要辩护时,OpenFOAM 这类原生有限体积求解器仍是参照。生成式扩散模块是另一种契约,不应与确定性代理混为一谈。当交付物要求认证或安全包络时,一次新的高保真求解或实验仍留在回路里当参照,成本边界综述解释为何「把查询退回求解器」的回退规则应写进设计。
九、版本与口径核对
记录一:PhysicsNeMo 是更名的 NVIDIA Modulus,更名源于 2025 年初的商标和解;PyPI 包名变为 nvidia-physicsnemo,仓库从 NVIDIA/modulus 迁到 NVIDIA/physicsnemo,导入路径由 modulus 改为 physicsnemo。最后一个 nvidia-modulus 发布是 2024 年 11 月 27 日的 0.9.0。这次更名是品牌调整、不是功能断裂:旧包名下导入框架的代码,只需更新导入路径与包引用,已有的模型检查点在校正导入后依然可加载。记录二:版本 1.3.0 于 2025 年 11 月发布,2.0.0 于 2026 年 3 月 9 日,2.1.0 于 2026 年 5 月 26–27 日,2.1.1 于 2026 年 6 月 8 日,2.2.0 于 2026 年 8 月 27 日,2.2.1 于 2026 年 8 月 31 日,2.2.2(文档修复)于 2026 年 9 月 11 日。条目里的编目 year 2023 指最初的 Modulus 时期,不是软件发布日期,不能当发布年份引用。
记录三:2.x 系列要求 Python 3.11 及以上,2.2.2 进一步要求 torch 2.10.0 及以上;CUDA 后端通过 cu12 或 cu13 附加项选择,NGC 容器标签采用年.月方案(25.03 至 26.08),与 pip 版本不对应。记录四:符号包 physicsnemo.sym 自 2.1.0 并入 nvidia-physicsnemo(独立 physicsnemo-sym 仓库于 2026 年 5 月 29 日归档),2.1.0 还加入 GLOBE 模型、PyVista/VTK/VTU 网格转换与嵌入式分布外守卫。记录五:Apache-2.0 许可经仓库 LICENSE 文件与 PyPI 元数据确认,允许商用与修改,属于许可描述,不属于法律意见。记录六:厂商自报指标(如 DoMINO 在 DrivAerML 上的阻力 R²)是项目自身基准声明,不构成独立验证。记录七(口径纪律):NGC 容器标签与 pip 版本号不可互换——一份评测若只写「用了 25.03 容器」却未给出 pip 版本,他人无法据此复现,因此报告应同时写明制品类型与版本字符串。2.2.2 要求 torch 2.10.0 及以上,意味着部署机需具备较新的 PyTorch 与 CUDA 驱动栈,旧环境可能要整体升级,落地前应确认目标机满足 cu13 附加项的预期。版本号与发布日期也会错位:2.1.0 在 2026 年 5 月 26–27 日两次推送,引用时以仓库 tag 日期为准,避免把补丁日当成首发日。本文所有版本与能力陈述均以「仓库 tag + PyPI 元数据 + 官方文档」三方交叉核对为准,凡只见单一来源的数字均按项目自述处理。以上记录于 2026 年 11 月 11 日核对仓库、PyPI 与 NVIDIA 文档。
十、参考资料
- NVIDIA,《PhysicsNeMo:An open-source framework for physics-AI applications》,GitHub 仓库,github.com/NVIDIA/PhysicsNeMo(2026-11-11 核对)。
- NVIDIA,《PhysicsNeMo 文档与安装》,docs.nvidia.com/physicsnemo(2026-11-11 核对)。
- NVIDIA,《PhysicsNeMo CFD:配置驱动的基准评测》,NVIDIA 开发者博客,nvidia.github.io/physicsnemo/blog/2026/05/29/physicsnemo-cfd(2026-11-11 核对)。
- Raissi M. 等,《Hidden fluid mechanics:Learning velocity and pressure fields from flow visualizations》,Science 367 (2020) 1026-1030。
- Li Z. 等,《Fourier Neural Operator for Parametric Partial Differential Equations》,ICLR 2021,arXiv:2010.08895。
- Kochkov D. 等,《Machine learning accelerated computational fluid dynamics》,Proceedings of the National Academy of Sciences 118 (2021) e2101784118。
- 慕尼黑工业大学(Adams 组),《TorchLBM:带 FNO 混合步的可微格子玻尔兹曼求解器》,NVIDIA 开发者博客(2026-11-11 核对)。
- McGreivy N.、Hakim A.,《Weak baselines and reporting biases lead to overoptimism in machine learning for fluid-related partial differential equations》,Nature Machine Intelligence (2024),arXiv:2407.07218。
- Fujiwara H.,《A Practitioner’s Reality Check:Classical CFD vs. Neural Surrogates on a Single Consumer GPU》,Zenodo record 21944611 (2026)。
- NVIDIA,《nvidia-physicsnemo 2.2.2 PyPI 元数据(Licence-Expression:Apache-2.0,Requires-Python ≥3.11)》,PyPI(2026-11-11 核对)。
本文基于公开文献与官方文档整理,仅供参考,不构成工程或投资建议。资料核查截至 2026 年 11 月 11 日;版本与能力陈述均核对一手来源,厂商自报基准指标按项目自述处理,不构成独立验证,任何方案引用数字均须来自附版本与检查点的本地实测。