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：
- 统一的神经算子框架（FNO / DeepONet / AFNO / Kapoor Transformer）
- 端到端可微分物理仿真流水线（几何 → 边界条件 → 求解 → 后处理）
- 多 GPU/TPU 分布式训练支持（Megatron-LM 风格数据并行）
- 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
标签: NVIDIA神经算子框架工业级多GPU
相关条目
- 物理信息学习年度进展综述 2025–2026 · 系统性梳理 2025–2026 年物理信息机器学习（Physics-Informed Learning）领域的主要进展，重点覆盖神经算子、扩散模型在 PDE 求
- Fourier Neural Operator（FNO）原始论文 · 提出在傅里叶空间参数化积分核的神经算子，实现分辨率无关的 PDE 求解，是算子学习与物理 AI 方向引用量最高的奠基工作之一。
- DeepONet 原始论文 · 以分支-主干（branch-trunk）结构实现算子通用逼近定理的深度学习版本，是最早系统提出「学习非线性算子」的架构，至今仍是主流基线。
- Transolver：面向大规模工业几何的 Transformer 求解器 · 提出物理注意力机制，把离散网格投影到可学习的物理状态令牌上做注意力，显著提升 PDE 求解在大规模工业几何上的效率与精度。
- The Well：面向物理基础模型的多领域基准 · 提出覆盖 16 个物理领域的统一基准，论证「跨领域预训练」对物理 ML 的增益，是物理基础模型方向必读论文。