HP 和 NVIDIA 合作开发开源制造数字孪生

HP 3D 打印和 NVIDIA Modulus 宣布合作开发开源制造数字孪生，利用基于物理的机器学习（physics-ML）。根据 NVIDIA 技术博客，这一合作旨在通过将物理法则融入学习过程，推动 AI 工程应用的创新。

物理-ML 的进展

物理-ML 是一个新兴领域，它将物理法则融入机器学习模型，增强神经网络的可推广性和效率。NVIDIA Modulus 是一个开源框架，通过简单的 Python 接口，方便构建、训练和微调这些模型。该框架提供参考应用，帮助领域专家将物理-ML 应用于实际用例。

HP 3D 打印软件组织的数字孪生团队已利用物理-ML 模型进行制造数字孪生，并将此工作贡献给 Modulus。作为增材制造的领导者，HP 旨在加速新应用的引入，并在生产环境中采用这项技术。HP 的杰出技术专家 Jun Zeng 博士强调了基于制造过程变异性的物理仿真引擎的重要性，并指出经过良好训练的物理-ML 模型所取得的显著加速效果。

增材制造中的数字孪生

HP 拥有丰富的技术创新历史，包括热喷墨技术的开发。该公司最新的创新，HP Metal Jet，可用于生产工业级 3D 金属零件。HP 正在为 Metal Jet 技术开发数字孪生，以优化设计参数和过程控制，从而提高零件质量和制造产量。

HP 团队创建了 Virtual Foundry Graphnet 模型，应用物理-ML 加速金属粉末材料相变的计算。该模型已实现显著加速，能够进行近实时、高保真金属烧结过程仿真。该模型还展示了其对不同几何设计和过程参数配置的适用性。

HP 的物理-ML 创新

尽管物理-ML 还处于早期阶段，HP 数字孪生团队相信开源社区在加速其发展中的作用。通过通过 NVIDIA Modulus 开源 Virtual Foundry Graphnet，HP 加入了物理-ML 的开源社区。传统的高保真物理仿真计算密集，通常需要数小时甚至数天才能完成一次设计迭代。物理-ML 替代模型提供高保真仿真，从而加速设计迭代。

现在，通过物理-ML 替代模型，可以即时反馈产品设计的可制造性，并自动筛选设计。 这些模型还允许产品设计团队使用先前的仿真数据作为真实数据源。传统上需要跨部门多次迭代的产品设计和制造优化现在可以显著加速。

HP 的过程物理仿真软件 Digital Sintering 已部署到 HP Metal Jet 客户中，以改善制造结果。运行一个经过良好训练的金属烧结推理引擎只需几秒钟即可获得最终的烧结变形值，大大减少了设计迭代所需的时间。

赋能研究人员

物理-ML 替代模型处于近实时仿真工作流程的前沿。像 Virtual Foundry Graphnet 这样的创新展示了 AI 加速仿真工作流程的力量，可以在几秒钟内做出预测。民主化 AI 对于制造业来说至关重要，这样可以赋能更多的创新者解决行业挑战。

AI 研究人员和 HP 3D 打印团队使用 NVIDIA Modulus 开源项目与领域专家合作。NVIDIA 通过提供一个增强协作与创新的平台，支持物理-ML 研究社区，确保所有人都能访问先进的 AI 工具。