通过NVIDIA SimNet v21.06进行频域电磁仿真

NVIDIA 模拟网络 是一个物理信息神经网络（ PINNs ）工具箱，适用于工程师、科学家、学生和研究人员，他们要么想开始人工智能驱动的物理模拟，要么想利用一个强大的框架来实现他们的领域知识，用实际应用来解决复杂的非线性物理问题。

V21.06 建立在一个成功的基线特性早期访问程序的基础上，并在附加的新功能上分层。 这个 GA 版本 引入了对新物理的支持，如 Ele CTR omagnetics 和 2D 波传播，并提供了一种新的算法，使更多的用例能够模拟更复杂的流体热系统。新的时间步方案已经被用于解决时间问题，将时间视为离散和连续的。

其他特性和增强功能包括 梯度聚合方法，用于在每个 GPU 上增加批处理大小，自适应采样用于在高损失区域增加点云密度，同方差任务不确定性量化用于损失权重，传递学习算法可以快速训练 STL 的有效的基于代理的参数化，以及构造实体几何和多项式混沌展开方法，用于评估模型输入中的不确定性如何体现在其输出中。 SimNet v21. 06 还通过乘法滤波网络扩展了现有的网络体系结构。

SimNet v21.06 亮点

Electromagnetics

利用 SIMNETV21.06 可以进行频域电磁仿真。频域麦克斯韦方程的实型解可以是一维、二维和三维情况下的标量形式（亥姆霍兹方程），也可以是三维情况下的矢量形式。边界条件可以是二维和三维情况下的理想电子 CTR 离子导体（ PEC ），三维情况下的辐射边界（吸收边界）条件和二维波导源的波导端口解算器。实现了二维 TEz 模和 TMz 模频域 ele CTR 磁和三维 ele CTR 磁的实型求解。

时间物理学中的时间步进格式

在流体力学和电磁等领域，许多计算问题都需要进行瞬态模拟。直到最近，神经网络解算器一直在努力获得准确的结果。通过在这一领域的多项创新， SimNet 现在能够以更高的速度和精度解决各种瞬态问题。 下面显示的是泰勒格林涡衰减使用瞬态和湍流纳维 – 斯托克斯模拟。

迁移学习

在重复训练中，例如基于替代项的设计优化训练或不确定性量化训练，传递学习可以缩短神经网络求解器的收敛时间。一旦为单个几何体训练了模型，训练后的模型参数将转换为求解不同的几何体，而不必从头开始训练新几何体。

迁移学习加速了特定于患者的颅内动脉瘤模拟。

两种不同形状的动脉瘤。

梯度聚集

训练一个复杂问题的神经网络解算器需要一个大批量的大小，可以超出可用的 GPU 内存限制。增加 GPU 的数量可以有效地增加批处理大小，但是在 GPU 可用性有限的情况下，可以使用梯度聚合。通过梯度聚合，使用不同的小批量点云在几个向前/向后迭代中计算所需的梯度，然后聚合并应用于更新模型参数。实际上，这将增加批量大小（尽管以增加训练时间为代价）。

增加批量可以提高神经网络求解的精度。

1 GPU 上的 4 个梯度聚合= 4 GPU ，无梯度聚合。

这些结果比没有任何梯度聚集的 1gpu 结果更准确。

最近的 SimNet 随需应变技术会议

“ 非均匀介质力学的物理信息神经网络 ”——印度工业学院孟买分校举办了一个关于异质介质力学的物理信息神经网络会议。基于 PINN 的 NVIDIA SimNet 工具箱被用来开发一个模拟弹性和弹塑性材料损伤的框架。为了验证， SimNet 结果与基于 Haghiatt 等人（ 2020 ）的分析解非常一致。

“ 利用物理信息神经网络和 SimNet 加速产品开发 ” Kinetic Vision 介绍了一个关于使用物理信息神经网络和 SimNet 加速产品开发的会议，其中使用 SimNet 模拟了在航空航天和一些工业应用中遇到的 Coanda 效应。二维和三维几何图形都是使用 SimNet 的内部几何模块构建的，并使用改进的 Fourier 网络结构进行仿真。结果表明，用商业 CFD 程序、 ansysfluent 和训练后的 SimNet-PINN 预测的流场在定性上非常相似。此外， Kinetic Vision 使用 SimNet 进行参数化仿真，并进一步将这些结果与 SolidWorks 集成到 CAD 中进行自动推理，同时为用户提供了一种从 SolidWorks UI 与 SimNet 交互的方式。

“ 混合物理神经网络在数字孪生儿预后和健康管理中的应用 ” – 中佛罗里达大学提出了一个关于混合物理的神经网络，用于预测和健康管理的数字孪生神经网络，其中建立了双数字模型来预测飞机窗口板的损伤和疲劳裂纹扩展。 SimNet 模型以物理学为基础，这确保了结构材料预测和健康管理所需的准确性。一旦 SimNet 模型经过训练，就可以根据不同的输入条件进行快速而准确的计算。 SimNet 也达到了很好的精度，商业解决方案所达到的高度网格细化。使用 SimNet ，他们可以将预测模型扩展到 500 架飞机的机队，并在不到 10 秒内得到预测结果，而如果他们使用高保真有限元模型执行相同的计算，则需要几天到几周的时间。

“ 基于物理信息的多孔介质流动与输运神经网络 ” – 斯坦福大学提出了一个物理会议，通知深学习在多孔介质中的流动和运输，其中一种方法被用来模拟两相不混溶输运问题（ Buckley Leverett ）。该模型能产生冲击和稀薄两方面的精确物理解，并遵循控制偏微分方程以及初始和边界条件。请在我们的 NVIDIA 博客 here 上阅读更多信息。

“ 利用基于物理的神经网络加速计算科学与工程 ”– NVIDIA 介绍了一个关于人工智能加速计算科学和工程的会议，该会议使用基于物理的神经网络，涵盖了最先进的人工智能，用于解决从实时模拟（例如。，设计空间探索（生成性设计和产品设计优化）、反问题（如医学成像、油气勘探中的全波反演）和改进的科学（如微观力学、湍流），这些问题由于各种梯度和不连续性而难以解决，由于物理定律和复杂的形状。

随需应变网络研讨会：“ 用 NVIDIA SimNet 在理工科课程中构建基于人工智能的仿真能力 ”了解 NVIDIA SimNet 如何解决广泛的用例，包括无任何训练数据的耦合正演模拟，以及反演和数据同化问题。

关于作者

Rekha Mukund 是 NVIDIA 计算组的产品经理，负责为汽车、 Jetson 和 Android 平台开发 CUDA Tegra 产品。她还负责管理 NVIDIA SimNet 产品和 OpenCL 计划。在加入 NVIDIA 之前， Rekha 在付费电视技术领域与思科合作了八年多。她是英国大学计算机科学学院的金牌获得者，他是印度国家级乒乓球运动员和狂热的旅行者。

Sanjay Choudhry 是 NVIDIA 的高级主管，对传统计算方法以及科学和工程领域的机器学习都有很强的背景。他领导 SimNet 的工程工作，并热衷于为工业应用开发基于人工智能的模拟解决方案。

审核编辑：郭婷