根据 NVIDIA 技术博客,在一项突破性的发展中,NVIDIA Modulus 通过集成机器学习(ML)技术正在重塑计算流体动力学(CFD)的格局。这种方法解决了与高保真流体模拟相关的显著计算需求,为更高效和更精确的复杂流动建模提供了一条路径。
机器学习在 CFD 中的角色
机器学习,特别是通过傅里叶神经算子(FNOs)的使用,正在通过降低计算成本和提高模型精度来革新 CFD。FNOs 允许在低分辨率数据上训练模型,并将其集成到高保真模拟中,显著降低计算成本。
NVIDIA Modulus 是一个开源框架,它促进了 FNOs 和其他先进 ML 模型的使用。它提供了优化的最先进算法实现,使其成为该领域众多应用的多功能工具。
慕尼黑工业大学的创新研究
慕尼黑工业大学(TUM),由 Nikolaus A. Adams 教授领导,处于将 ML 模型集成到传统模拟工作流中的前沿。他们的方法结合了传统数值方法的准确性和 AI 的预测能力,带来了显著的性能提升。
Adams 博士解释说,通过将像 FNOs 这样的 ML 算法集成到他们的格子波尔兹曼方法(LBM)框架中,团队在传统 CFD 方法的基础上实现了显著的加速。这种混合方法正在更高效地解决复杂流体动力学问题。
混合模拟环境
TUM 团队开发了一种混合模拟环境,将 ML 集成到 LBM 中。该环境在复杂几何结构中的多相和多组分流动计算方面表现出色。使用 PyTorch 实现 LBM 利用高效的张量计算和 GPU 加速,形成快速且用户友好的 TorchLBM 求解器。
通过将 FNOs 纳入他们的工作流程,团队获得了显著的计算效率提升。在涉及卡门涡街和多孔介质稳态流的测试中,混合方法表现出稳定性,并将计算成本降低了多达 50%。
未来前景和行业影响
TUM 的开创性工作为 CFD 研究设立了新的基准,展示了机器学习在流体动力学转型中的巨大潜力。团队计划进一步优化他们的混合模型,并通过多 GPU 设置扩展其模拟。他们还希望将他们的工作流程集成到 NVIDIA Omniverse 中,扩大新应用的可能性。
随着更多研究人员采用类似的方法,影响各个行业的潜力可能是深远的,导致更高效的设计、改进的性能和加速的创新。NVIDIA 通过 Modulus 等平台提供可访问的高级 AI 工具,继续支持这一转型。
Image source: Shutterstock