論文の概要: NVIDIA SimNet^{TM}: an AI-accelerated multi-physics simulation framework
- arxiv url: http://arxiv.org/abs/2012.07938v1
- Date: Mon, 14 Dec 2020 20:55:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-08 14:15:30.609313
- Title: NVIDIA SimNet^{TM}: an AI-accelerated multi-physics simulation framework
- Title（参考訳）: NVIDIA SimNet^{TM} - AI加速多物理シミュレーションフレームワーク
- Authors: Oliver Hennigh, Susheela Narasimhan, Mohammad Amin Nabian, Akshay
Subramaniam, Kaustubh Tangsali, Max Rietmann, Jose del Aguila Ferrandis,
Wonmin Byeon, Zhiwei Fang, Sanjay Choudhry
- Abstract要約: 我々は,ai駆動のマルチフィジカルシミュレーションフレームワークであるsimnetを用いて,幅広い分野にわたるシミュレーションを高速化する。
SimNetは幅広いユースケースに対処する - トレーニングデータ、逆データ、データ同化問題のない、結合された前方シミュレーション。
- 参考スコア（独自算出の注目度）: 5.509715131727269
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present SimNet, an AI-driven multi-physics simulation framework, to
accelerate simulations across a wide range of disciplines in science and
engineering. Compared to traditional numerical solvers, SimNet addresses a wide
range of use cases - coupled forward simulations without any training data,
inverse and data assimilation problems. SimNet offers fast turnaround time by
enabling parameterized system representation that solves for multiple
configurations simultaneously, as opposed to the traditional solvers that solve
for one configuration at a time. SimNet is integrated with parameterized
constructive solid geometry as well as STL modules to generate point clouds.
Furthermore, it is customizable with APIs that enable user extensions to
geometry, physics and network architecture. It has advanced network
architectures that are optimized for high-performance GPU computing, and offers
scalable performance for multi-GPU and multi-Node implementation with
accelerated linear algebra as well as FP32, FP64 and TF32 computations. In this
paper we review the neural network solver methodology, the SimNet architecture,
and the various features that are needed for effective solution of the PDEs. We
present real-world use cases that range from challenging forward multi-physics
simulations with turbulence and complex 3D geometries, to industrial design
optimization and inverse problems that are not addressed efficiently by the
traditional solvers. Extensive comparisons of SimNet results with open source
and commercial solvers show good correlation.
- Abstract（参考訳）: 我々は,科学と工学の幅広い分野にわたるシミュレーションを加速するために,ai駆動のマルチフィジカルシミュレーションフレームワークであるsimnetを提案する。
従来の数値解法と比較して、SimNetは幅広いユースケースに対処している。
simnetは、複数の構成を同時に解決するパラメータ化されたシステム表現を可能にすることで、高速なターンアラウンド時間を提供する。
SimNetはパラメータ化された構成的固体幾何学とSTLモジュールを統合して点雲を生成する。
さらに、幾何学、物理、ネットワークアーキテクチャへのユーザ拡張を可能にするAPIでカスタマイズできる。
高性能GPUコンピューティングに最適化された高度なネットワークアーキテクチャを備え、FP32、FP64、TF32計算と同様に、加速線形代数を備えたマルチGPUとマルチノードの実装にスケーラブルなパフォーマンスを提供する。
本稿では,ニューラルネットワークの解法,SimNetアーキテクチャ,PDEの効率的な解法に必要な諸特徴について概説する。
本稿では,乱流および複雑な3次元ジオメトリを用いた前方多物理シミュレーションから,従来の解法では解決できない産業設計の最適化や逆問題まで,実世界のユースケースを提案する。
SimNetの結果とオープンソースおよび商用ソルバの大規模な比較は良好な相関関係を示した。
関連論文リスト
- GauSim: Registering Elastic Objects into Digital World by Gaussian Simulator [55.02281855589641]
GauSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体としてモデル化し、理想化された仮定なしに現実的な変形を考慮に入れた。
ガウシムは質量や運動量保存などの明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - FlowBench: A Large Scale Benchmark for Flow Simulation over Complex
Geometries [19.15738125919099]
FlowBenchは10K以上のサンプルを持つニューラルシミュレータ用のデータセットである。
FlowBenchは、複雑な幾何学、結合フロー現象、およびニューラルPDEソルバの性能に関するデータ十分性の間の相互作用を評価することができる。
論文 参考訳（メタデータ） (2024-09-26T16:38:48Z) - A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたスパイクニューラルネットワークシミュレータである。
その結果,ソフトウェアでトレーニングしたスパイクニューラルネットワークの挙動を,信頼性の高い推定結果として提示した。
論文 参考訳（メタデータ） (2024-09-23T11:16:46Z) - Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。
コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。
本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
論文 参考訳（メタデータ） (2024-06-22T11:17:50Z) - Physics-informed MeshGraphNets (PI-MGNs): Neural finite element solvers
for non-stationary and nonlinear simulations on arbitrary meshes [13.41003911618347]
PI-MGNは、PINNとMGNを組み合わせて任意のメッシュ上の非定常および非線形偏微分方程式(PDE)を解くハイブリッドアプローチである。
結果は、モデルが大規模で複雑なメッシュにうまくスケールしていることを示しているが、小さなジェネリックメッシュでのみトレーニングされている。
論文 参考訳（メタデータ） (2024-02-16T13:34:51Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳（メタデータ） (2023-10-12T20:49:15Z) - Runtime Construction of Large-Scale Spiking Neuronal Network Models on
GPU Devices [0.0]
本稿では,GPUメモリ上で対話的,動的,直接的にネットワーク接続を作成する新しい手法を提案する。
我々は,2つの神経科学的なモデルを用いて,コンシューマとデータセンタのGPUによるシミュレーション性能を検証する。
ネットワーク構築時間とシミュレーション時間は、他の最先端のシミュレーション技術と同等か短い。
論文 参考訳（メタデータ） (2023-06-16T14:08:27Z) - Using Machine Learning at Scale in HPC Simulations with SmartSim: An
Application to Ocean Climate Modeling [52.77024349608834]
We demonstrate the first climate-scale, numerical ocean Simulations improve through distributed, online inference of Deep Neural Networks (DNN) using SmartSim。
SmartSimは、従来のHPCシミュレーションのためのオンライン分析と機械学習(ML)を可能にするためのライブラリです。
論文 参考訳（メタデータ） (2021-04-13T19:27:28Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z) - Learning Mesh-Based Simulation with Graph Networks [20.29893312074383]
グラフニューラルネットワークを用いたメッシュベースのシミュレーション学習フレームワークであるMeshGraphNetsを紹介する。
その結果, 空気力学, 構造力学, 布など, 幅広い物理系の力学を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2020-10-07T13:34:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。