英伟达数字孪生平台：改变科学家与工程师们的思维方式

英伟达日前宣布对旗下数字孪生平台的科学计算方案进行多项重大改进，并计划开放这些功能以供广泛使用。此次亮点包括模块常规发布、基于物理的AI工具、新的最佳集成支持，以及对自适应傅里叶神经算子（AFNO）这一新型3D AI技术的支持。此次发布的各模块及Omniverse成果均已开放下载。

英伟达加速计算首席产品经理Dion Harris介绍称，这些进展有望重塑工程师们对运营模型中仿真方法的考量方式，借此将离线运营转化为持续性在线运营。

在此之前，英伟达已经发布过一系列重量级公告，例如建立Earth-2（地球2号）项目并与气候变化研究人员开展持续合作，以及在元宇宙工程设计、测试与开发领域做出的长期规划等。英伟达还与Destin-E的各领先气候研究超级计算项目合作，包括欧洲中期天气预报中心（ECMWF）等。

英伟达的数字孪生探索之路

去年秋季，英伟达在GTC大会上公布了一众数字孪生模块。所谓数字孪生，是指一种基于物理现实、可通过物理指令训练复杂系统的神经网络模型。数字孪生技术有助于改善气候模拟，探索产品与建筑设计中的物理、机械与电气规划，并有望在配合AI替代模型的前提下从现实世界数据抽象出新的物理理论。

新的Omniverse集成功能，将帮助各团队将AI物理模型的输出馈送至Omniverse平台，更轻松地将强大AI模型与Omniverse中内置的可视化工具结合起来。更重要的是，这些新模型的模拟速度远超传统物理模型，最终实现实时操作、或在场景规划层面探索更多变化可能。Harris总结道，“Omniverse相当于建立起独特的运营模型，让全面且高效的数据集与模拟工作流成为可能。”

与Omniverse集成之后，工程师们能够轻松将数字孪生功能引入现有工作流。英伟达还在开发各类连接器，帮助工程师将现有产品工程、架构与仿真工具与模型对接起来。Omniverse还能帮助团队从AI模型中快速提取数据。

Omniverse相当于给跨数据集与学科协作提供一个集中化的数据收集中枢。它能够从各种来源处摄取数据，并使用通用的视觉表达格式组织平台上的数据。例如，气候研究中的下一代模型可以囊括大气数据、地理空间数据与人类互动数据。Harris同时解释道，要想为不同平台构建通用场景描述插件、还需要克服一系列现实挑战，这也是Omniverse选择对开发人员免费开放的原因之一。

另一个重大升级则是对自适应傅里叶神经算子（AFNO）的支持。所谓AFNO，指的是一套能够反映3D空间条件的神经网络。AFNO本身归属于一类新的技术方法，其中还包括傅里叶神经算子（FNO）和基于物理的神经算子（PNO）。这些技术通过偏微分方程模型对3D空间关系进行编码，使得开发团队能够创建起更准确的替代性AI模型。相比之下，以往使用卷积或其他基于像素方法对3D对象进行配置编码的传统AI模型则达不到这样的准确度。

运用AI增强气候模型效能

作为ForeCastNet项目的组成部分，英伟达还公布了上述工具在气候研究领域的初步成果。目前，英伟达已经与普渡大学、劳伦斯伯克利分校、密歇根大学等领先气候研究机构开展合作。所谓ForeCastNet，是一种AI替代模型，专门用于预测全球范围内的中度气候变化。相关研究论文描述了该团队如何使用AFNO构建起一套速度极快且准确性极高的模型，已经可以作为中度气候变化预测模型使用。

在气候与气象研究中，模拟的分辨率一般以平方公里为基本单位，即每平方公里相当于1个像素。当然，可解析的“像素”块是越小越好。ECMWF的综合预报系统（IFS）等先进的第一原理模型（即纯以科学理论设计而成的模型）可实现9公里分辨率；与这些使用传统第一原理方法构建的复杂模型相比，高级ForeCastNet模型的速度明显更快、只是准确度相对略低。

如今的ForeCastNet已经能够实现18公里的解析分辨率，且速度达到IFS的45000倍、同等精度下做出预测时的能量消耗也降至12000分之一。更重要的是，之前出现的其他AI替代模型最多只能将分辨率控制在25公里，在这方面ForeCastNet明显更胜一筹。从目前来看，要想进一步将精度推向高点，必然投入远超传统方法的大量模型训练数据。例如，如果想要将分辨率从18公里提升至9公里，那么训练数据量需要增长约30倍。

目前的气象与研究工作按规模可以分为两大类，包括约17处大型气候变化中心以及约175个小型区域气象研究小组。其中小型研究中心更关注具有明确边界定义的场景，基本忽略周边天气事件的影响。而新的ForeCastNet模型将帮助这些小型气象站也能模拟跨边界的大范围气象模式。

Harris强调，“这将真正推动气候变化研究走向大众化。”

值得一提的是，这套模型是根据过去40年来的气候数据训练而成的，因此需要消耗大量时间与算力。但在训练完成之后，模型就能在低成本计算机上运行并实现预测推理。例如，ForeCastNet在训练阶段需要使用包含3060个节点的超级计算机集群，但完成后研究人员已经能够将其运行在2节点英伟达集群之上。

Harris认为在可预见的未来，第一原理模型与AI代理模型将长期处于协作关系。第一原理模型负责建立基本事实，而AI替代模型则帮助工程师快速重复场景模拟。英伟达也在同步改进这两种方法，希望加快天气研究与预报（WRF）及小规模建模（COSMO）模型联盟的气候变化探索脚步。

连通全球

ForeCastNet的诞生还将为英伟达在去年GTC上公布的“地球2号”计划添砖加瓦。地球2号是英伟达为了加速气候变化研究而建立的专用系统。地球2号模块将把Omniverse与英伟达硬件进一步整合至统一的无缝平台当中，以最佳集成的形式降低AI模型、气候数据、卫星数据及其他来源的数据注入门槛，确保所有输入能够创建出更准确的映射表示。

Harris提到，“地球2号系统将把我们当前构建的一切成果整合至统一的集成平台当中。”

如此一来，不同学科、研究技术及模型将共享同一个事实来源。Omniverse的强大协作能力，也将帮助研究人员、政策制定者、企业高管及公民共同解决这个世界面临的紧迫难题。

寻找异常

更快的模拟速度，意味着研究人员还能检测到模型假设在不同模拟下的具体扩散。气候变化研究人员用“Connection”（关联）一词来描述具有细微变化的多个模型的测试过程。例如，他们可以连续运行21次模拟，借此找到假设层面的微小变化对于整体预测的影响。ForeCastNet甚至允许研究人员模拟上千个包含不同假设的子集合，借此为预测结果提供更高的可信度。

Harris解释道，“它的意义不只是加快模型运行速度，还能帮助研究人员通过多次运行获取更准确的评估结论。在把这样一套复杂系统接入3D空间之后，研究人员的思路也将随之豁然开朗。”

西门子公司也已经在使用类似的模型，但目前尚处于早期设计阶段。这类快速模拟技术将帮助他们在运营流程中持续运行同类模型。例如，西门子已经在使用这些技术对发电厂的传热系统进行建模，并更高效地演示风力涡轮机运行状态。新的风力性能替代模型有望对风电场布局做出优化，较原有设计带来20%的发电能力提升。

Harris最后总结道，“如今，数字孪生已经被广泛应用于医疗、制造、科学及娱乐等众多领域。科学家与工程师们的思维方式也许将就此改变。”