NVIDIA Modulus：運用人工智慧，建立準確的數位孿生

在現代工業領域中，如果想要快速地進行轉型，有三個相當重要的因素。第一是採用工業 4.0 的思維，並將此思維融入作業流程與設計原則中；第二是採用高度自動化、無人化的智慧工廠；第三就是建立新世代的數位孿生(Digital Twin) 系統。這三點是近年來在工業領域最重要的未來發展。

其中建立數位孿生系統並不是全新的概念，但一直是相對較為繁瑣的環節，自然也吸引了人工智慧專家的興趣。傳統的數位孿生系統，虛實整合的程度較低，許多決策還是比較仰賴專業人力判斷。如今，相對平價的高速計算、虛擬實境設備與IoT物聯網的技術已經漸趨成熟，工廠管理者和人工智慧共同參與決策，已經是可以實際應用在產線上的技術，那麼如何建立科學和物理上精確的數位孿生系統，便是相當重要的基礎工作。

NVIDIA 近日更新了 NVIDIA Modulus ，目前版本來到 22.03，展示了現今最進步的物理運算神經網路模型。這次的更新，讓開發者能夠使用更細膩的物理模擬之外，並加強了與 NVIDIA Omniverse 的整合。

NVIDIA Modulus 是基於 TensorFlow 的應用，並利用 XLA 來最佳化效能。XLA 是一種線性代數的編譯器，已經用在許多特殊領域，可以加快 TensorFlow 模型的運作。在訓練好模型之後，NVIDIA Modulus 能即時進行分析。過去這樣的運算，設定好參數後需要完整跑過一次模型，才能進行評估，每次運算都要耗費大量運算資源，相當耗費人力與時間。

NVIDIA Modulus 與 Omniverse 整合後，開發者能夠在以 Python 為基礎的 API 上進行開發，再將開發成果輸出到 Omniverse 中，用視覺化的方案進行開發。開發者能夠享有更大的自由度，對於理解複雜的模型 (例如工廠動線的延續關係) 也會更加直觀。

NVIDIA Modulus 目前支援 FNO(Fourier Neural Operator，傅立葉神經運算子)、AFNO(adaptive Fourier Neural Operator，改良傅立葉神經運算子)、PINO(physics-informed FNO，專門進行物理資訊運算的 FNO) 以及 DeepONet，大幅提升物理運算的真實性。在與西門子合作的智慧孿生工廠範例中，就可以清楚看到套用 NVIDIA Modulus 22.03 後的效果，無論是工廠設施的真實性、液體流動、混合的物理特性，都有顯著提升。

NVIDIA Modulus 現在已經免費開放給全球的開發者，下載連結於此。