随着 AI 的不断发展与成熟，科学家们开始借助 AI 来进行数据的分析和处理工作。凭借强大的学习和推理能力，AI 可以从大量数据中发现有用的信息和规律，将科学家从数据收集、实验操作等繁琐、重复的工作中解放出来，加速科学研究的进程。同时，AI 与科学研究的结合，也能够促进不同学科之间的交叉融合，从而发现更多新的研究领域和方向。AI for Science已成为一种新的科研范式。

为了加速 AI for Science 的发展，NVIDIA 推出 Modulus 开源框架。Modulus 以控制偏微分方程 (PDE) 形式将物理学的力量与数据相结合，以构建具有近乎实时延迟的高保真参数替代模型，可应用于计算流体力学、气象预报、超分辨率、生命科学、分子动力学等不同领域。

1月19日14点，NVIDIA 联合智猩猩策划推出「NVIDIA AI for Science 科研新范式在线研讨会」，由浙江大学能源工程学院博士后刘凯、NVIDIA 解决方案架构师戴志翔共同主讲。

主题介绍

浙江大学能源工程学院博士后刘凯：面向能源装备快速仿真设计的高维参数化燃烧场代理建模方法

在应对日益严峻的气候变化和能源紧缺的背景下，迫切需要开发和部署新型高效低碳能源利用基础设施，这对于能源装备设计研发过程中计算流体力学（CFD）仿真的可靠性和成本效益提出了更高要求。燃烧室作为燃气轮机发电系统中能量转化的核心组件，需要对其各项几何和工况参数进行精细化设计才能保证燃机整体系统的清洁高效生产。虽然现有湍流燃烧 CFD 数值模拟方法已经成熟，但如何在有限的产品研发周期内高效全面地筛选出最优化的设计参数组合仍然面临巨大挑战。因此，我们基于英伟达 Modulus 机器学习平台构建了一套物理驱动的参数化燃烧场仿真设计框架，无需提供任何训练数据，仅通过一次无监督神经网络训练即可获取能够即时求解设计空间内任何参数组合情况下的完整物理场信息。仿真计算流程相比传统数值模拟平行工况计算在同等算力下的求解效率可达数千倍加速。

本次研讨会，将以甲烷-空气预混燃烧室简化模型为例，详细介绍参数化AI模型的设计思路，并将仿真结果与传统数值软件 OpenFOAM 进行对比，以验证模型的准确性。并在此基础上，对不同的设计参数进行敏感性分析。在报告的最后，将展示 AI 参数化仿真设计方法带来的加速效果。

NVIDIA 解决方案架构师戴志翔：NVIDIA Modulus 加速 AI for Science

AI for Science 已经成为前沿热点研究问题，旨在通过人工智能来加速气象、能源、材料和生命科学等领域的发展。为加速 AI for Science 的发展，NVIDIA 推出 Modulus 开源框架，使用物理控制方程（PDE）、模拟数据和观测数据来构造数字孪生模型。NVIDIA Modulus 引入先进 AI 模型（例如 PINNs，Neural Operator，GNN，Diffusion Model 等），支持参数化设计与 GPU 多节点线性扩展。无论是缺乏 AI 专业知识的人士还是开发者，NVIDIA 都能为众多行业快速增长的 AI 需求提供有力支持，可广泛应用于 CFD、传热、固体、电磁波、地震波、气象预报、超分辨率，生命科学，分子动力学等领域。

本次研讨会，将介绍 Modulus 中的 AI 模型，使用方法和优势，并重点介绍 Modulus 的应用案例，包括使用 PINO (PINN + FNO)进行油藏模拟 ，使用 Residual Diffusion 模型对气象数据进行超分辨率研究，使用 AeroGraphNet 进行汽车空气动力学仿真等。

报名方式

对此次研讨会感兴趣的朋友，可以扫描上方海报底部二维码，添加小助手瑞秋进行报名。已添加过瑞秋的老朋友，可以给瑞秋私信，发送“NVIDIA2401”即可报名。

同时，为了方便大家交流和咨询，研讨会还设置了交流群，希望加入的朋友，也可以联系瑞秋进行申请。