Metazine Tu Magazine del Metaverso. Toda la información del presente y futuro de nuestra vida digital.
Siga la cobertura de VentureBeat del evento GTC 2022 de Nvidia >>
Nvidia ha anunciado varias actualizaciones importantes de su plataforma de computación científica para gemelos digitales y ha lanzado estas funciones para un uso generalizado. Los aspectos más destacados incluyen el lanzamiento general de Modulus, una herramienta de inteligencia artificial basada en la física, soporte para nuevas integraciones de Omniverse y soporte para una nueva técnica de inteligencia artificial 3D llamada Operadores Neurales Adaptativos de Fourier (AFNO). Tanto Modulus como Omniverse se pueden descargar hoy.
Estos avances prometen cambiar la forma en que los ingenieros conciben la simulación de un proceso fuera de línea ocasional a modelos operativos integrados en las operaciones en curso, dijo a VentureBeat Dion Harris, gerente principal de productos de computación acelerada de Nvidia.
Estos esfuerzos recientes complementan otros anuncios recientes, como planes para crear Earth 2, colaboraciones en curso con investigadores del cambio climático y esfuerzos en curso para simplificar el diseño, las pruebas y el desarrollo de ingeniería dentro del metaverso. Nvidia también se ha asociado con los principales programas de supercomputación de investigación climática, como el Centro Europeo para Pronósticos Meteorológicos a Medio Plazo (ECMWF) en Destin-E.
Aspectos destacados del anuncio del gemelo digital de Nvidia
Nvidia anunció Modulus en GTC el otoño pasado, que ya está disponible. Es un modelo de red neuronal basado en la física que le permite entrenar modelos para sistemas complejos utilizando instrucciones basadas en la física. Esto mejorará las simulaciones climáticas y explorará las compensaciones físicas, mecánicas y eléctricas en el diseño de productos y edificios. Ayuda a acelerar la creación de modelos sustitutos basados en inteligencia artificial que abstraen los principios de la física de los datos del mundo real.
La nueva integración de Omniverse permite a los equipos impulsar la salida de estos modelos físicos de inteligencia artificial en Omniverse. Esto facilita la combinación de mejores modelos de IA con las herramientas de visualización integradas de Omniverse. Más importante aún, estos nuevos modelos son mucho más rápidos que los modelos físicos convencionales, lo que facilita ejecutarlos en tiempo real o explorar más variaciones como parte de la planificación de escenarios. “Cree un modelo operativo diferente sobre cómo se relacionaría con estos conjuntos de datos y flujos de trabajo de simulación”, dijo Harris.
La integración con Omniverse hará que sea mucho más fácil para los ingenieros integrar las capacidades de los gemelos digitales en los flujos de trabajo existentes. Nvidia está construyendo una variedad de conectores que permiten a los ingenieros ingerir modelos de herramientas de simulación, arquitectura y diseño de productos existentes. Omniverse también permite que los equipos adquieran datos de modelos de IA.
Omniverse proporciona un centro centralizado para la recopilación de datos en colaboración interactiva entre conjuntos de datos y disciplinas. Adquiere datos de una variedad de fuentes y utiliza el formato de descripción de escena universal para organizar los datos en la plataforma. Por ejemplo, un mejor modelo en la investigación del clima puede incluir datos atmosféricos, datos geoespaciales y datos de interacción humana. Harris dijo que aún queda trabajo por hacer para crear complementos universales de descripción de escenas para varias plataformas, razón por la cual Omniverse es gratuito para los desarrolladores.
Otra actualización importante es la compatibilidad con operadores neuronales de Fourier adaptativos (AFNO). Este término científico describe el entrenamiento de redes neuronales que reflejan estados espaciales 3D. AFNO es parte de una clase más grande de nuevos enfoques, incluidos los operadores neuronales de Fourier (FNO) y los operadores neuronales informados por la física (PNO). Estas técnicas codifican relaciones espaciales en 3D basadas en modelos de ecuaciones diferenciales parciales, lo que permite a los equipos crear modelos de IA de reemplazo más precisos. Modelos de IA tradicionales que usan convolución u otros enfoques basados en píxeles que codifican con menos precisión la disposición de objetos 3D.
Mejores modelos climáticos con IA
Nvidia también anunció los primeros resultados de estas herramientas aplicadas a la investigación climática dentro del proyecto FourCastNet. Esta colaboración entre Nvidia y los principales investigadores climáticos de Purdue, Lawrence Berkeley, la Universidad de Michigan y otros. FourCastNet es un modelo sustituto de IA que se utiliza para pronosticar el cambio climático de rango medio a escala global. el trabajo de investigacion describe ya que el equipo usa AFNO para producir un modelo muy rápido pero muy preciso que podría usarse para algunos de estos modelos de gama media.
En la investigación climática y meteorológica, la resolución se caracteriza en términos de kilómetros cuadrados, que son como píxeles. Cuanto más pequeños sean los cuadrados, mejor. Los modelos de primer principio de última generación, como el Sistema de Pronóstico Integrado (IFS) del ECMWF, pueden lograr una resolución de 9 km. El modelo FourCastNet de última generación es más rápido pero menos preciso que los modelos de última generación construidos con enfoques tradicionales de primeros principios.
Hoy, FourCastNet puede lograr una resolución de 18 km 45 000 veces más rápido y usa 12 000 veces menos energía con la misma precisión que IFS. Los modelos sustitutos anteriores alcanzaron un máximo de resolución de 25 km. Un factor para mejorar la precisión son los enormes requisitos de datos para entrenar modelos sustitutos en comparación con los enfoques tradicionales. Por ejemplo, el proceso de mejora de la resolución de 18 km a 9 km requerirá aproximadamente 30 veces más datos.
Hay dos escalas de centros meteorológicos y de investigación, incluidos unos 17 centros de cambio climático más grandes y unos 175 grupos regionales de investigación meteorológica más pequeños. Los pueblos más pequeños han tendido a centrarse en límites bien definidos que pasaron por alto el impacto de los fenómenos meteorológicos adyacentes. El nuevo modelo FourCastNet permitirá que los centros meteorológicos más pequeños simulen modelos meteorológicos que se mueven a través de las fronteras.
“Esto democratizará la investigación sobre el cambio climático”, dijo Harris.
Una advertencia es que este modelo se entrenó con 40 años de datos climáticos, lo que requirió mucho tiempo y energía para procesar. Pero una vez entrenado, puede ejecutarse en computadoras de bajo costo. Por ejemplo, los investigadores de FourCastNet pudieron ejecutar una simulación en un clúster Nvidia de 2 nodos que anteriormente requería un clúster de supercomputadoras de 3060 nodos.
Harris predice que los primeros modelos basados en principios y los modelos sustitutos coexistirán durante algún tiempo. Los enfoques del primer principio formarán una especie de verdad fundamental, mientras que los modelos sustitutos permitirán a los ingenieros iterar sobre escenarios de simulación mucho más rápido. Nvidia ha estado trabajando en formas de mejorar ambos. Por ejemplo, Nvidia ha optimizado su software para acelerar la investigación y el pronóstico del tiempo (WRF) y un consorcio para modelos de modelado a pequeña escala (COSMO).
un conjunto de tierras
Este trabajo de FourCastNet complementa el anuncio de Earth-2 que hizo Nvidia en el Fall GTC. Earth-2 es un sistema dedicado que Nvidia está construyendo para acelerar la investigación sobre el cambio climático. Earth-2 combinará los avances de hardware de Modulus, Omniverse y Nvidia en una plataforma cohesiva. La integración de Omniverse simplificará la adquisición de modelos de inteligencia artificial, datos climáticos, datos satelitales y datos de otras fuentes para crear representaciones más precisas utilizando todas estas entradas.
“El sistema Earth-2 integrará todo lo que estamos construyendo en una plataforma cohesiva”, dijo Harris.
Esto facilitará la combinación de una variedad de disciplinas científicas, técnicas de investigación y modelos en una única fuente de información. El aspecto colaborativo de Omniverse ayudará a investigadores, planificadores de políticas, ejecutivos y ciudadanos a trabajar juntos para resolver algunos de los problemas más apremiantes del mundo.
Descubriendo nuevas incógnitas
Las simulaciones más rápidas también significan que los investigadores pueden explorar las ramificaciones de la simulación con supuestos ligeramente diferentes dentro de un modelo. Los investigadores del cambio climático utilizan el término juntos para describir un proceso de prueba multimodelo con ligeras variaciones. Por ejemplo, podrían ejecutar una simulación 21 veces para explorar el impacto de cambios mínimos en los supuestos sobre la proyección general. FourCastNet permitirá a los investigadores simular grupos de 1000 miembros, proporcionando una confianza mucho mayor en la predicción.
Harris dijo: “No se trata solo de poder hacer que los modelos funcionen más rápido. También puede ejecutarlo más para obtener una estimación más precisa del resultado. Obtenga una nueva comprensión de cómo pensar en ello una vez que haya visto este complejo sistema moviéndose en el espacio 3D”.
Siemens ya había ejecutado modelos similares, pero solo en la etapa de diseño. Estas técnicas de simulación más rápidas les permitieron ejecutar continuamente tipos similares de modelos durante las operaciones. Por ejemplo, Siemens usó estas técnicas para modelar de manera más eficiente los sistemas de transferencia de calor en una planta de energía y el rendimiento de una turbina eólica. Se espera que un nuevo modelo de rendimiento eólico sustituto conduzca a diseños optimizados de parques eólicos capaces de producir hasta un 20% más de energía que los diseños anteriores.
“Vemos que se adoptan gemelos digitales en todo, desde aplicaciones médicas hasta manufactura, ciencia e incluso entretenimiento”, dijo Harris.
La misión de VentureBeat debe ser una plaza de la ciudad digital para que los tomadores de decisiones técnicas obtengan información sobre la tecnología y las transacciones comerciales transformadoras. para saber mas
