PhysicsNeMo: обзор физического ИИ-решателя от NVIDIA

Официальная страница: https://developer.nvidia.com/physicsnemo GitHub: https://github.com/NVIDIA/physicsnemo Документация: https://docs.nvidia.com/physicsnemo/latest/ Каталог примеров: https://docs.nvidia.com/physicsnemo/latest/examples_catalog.html Установка: https://docs.nvidia.com/physicsnemo/latest/getting-started/installation.html Лицензия: Apache-2.0

PhysicsNeMo — открытый фреймворк глубокого обучения от NVIDIA для физического ИИ (Physics AI), AI4Science и инженерного моделирования. Его главная цель — не обучение VLA и не взаимодействие в робототехнической симуляции, а построение, обучение, дообучение и инференс физико-машинных моделей: нейронных операторов, графовых нейронных сетей, диффузионных моделей, PINN, моделей погоды и климата, суррогатных моделей CFD, структурной механики или электромагнитных полей.

Эта глава помещена в раздел 10-simulation-tools-and-frontiers как дополнительное чтение. Связь с воплощённым ИИ есть, но она косвенная: роботы тоже заботятся о контакте, жидкостях, материалах, мягких телах и многофизических задачах, однако основные учебные курсы чаще используют интерактивные симуляторы вроде MuJoCo, Isaac Sim, ManiSkill, Genesis или Habitat. PhysicsNeMo скорее обучает «быстрый нейросетевой суррогатный решатель» для уравнений в частных производных (PDE) и инженерной симуляции; это не среда, в которой робот вызывает env.step(action).

Рисунок 1. Место PhysicsNeMo в учебнике. Схема показывает основную цепочку: физические данные и ограничения PDE поступают в физико-машинную модель, которая обучается как быстрый суррогат. Официальная страница developer в основном содержит иллюстрации клиентских случаев, а не понятную архитектурную схему, поэтому в главе используется собственная схема.

1. Главный вывод: связь с робототехникой слабая, но знать полезно

Если цель — воспроизвести OpenVLA, SmolVLA, ACT, захват роботом, навигацию, модель мира или управление реальным роботом, PhysicsNeMo — инструмент невысокого приоритета. Он не заменяет:

• динамическую симуляцию роботов в MuJoCo / Isaac Sim / ManiSkill;
• навигационные среды Habitat / VLN-CE;
• обучение политик LeRobot / OpenPI / OpenVLA;
• модели мира, управляемые действиями, такие как RAW-Dream / GE-Sim / BWM;
• платформы, которые напрямую ориентированы на робототехнику или физическую симуляцию, например Genesis и SIM1.

Он больше подходит для таких задач:

• обучение решателям PDE с помощью FNO / DeepONet / графовых нейронных сетей;
• обучение суррогатных моделей на результатах CFD, структурной механики, электромагнетизма и погоды;
• добавление к физическим данным невязки PDE, граничных условий или законов сохранения;
• крупномасштабное обучение Physics-ML на PyTorch с GPU NVIDIA;
• исследования PINN, нейронных операторов, конвейеров данных по сеткам и облакам точек, распределённого обучения.

Поэтому в учебнике PhysicsNeMo не предлагается как основная задача для воспроизведения. Это подходящее «расширение по физическому ИИ-решателю»: достаточно понимать, что это за инструмент, какие задачи он решает и чем отличается от симуляторов роботов.

2. Смена названия: от Modulus к PhysicsNeMo

PhysicsNeMo возник не из ниоткуда. Он тесно связан с прежним проектом NVIDIA Modulus. Теперь официальный GitHub и документация используют PhysicsNeMo как основное название; в README репозитория сказано, что PhysicsNeMo проходит обновление до версии 2.0 и есть руководство по миграции.

Упрощённо:

NVIDIA Modulus / Modulus Sym
    -> PhysicsNeMo / PhysicsNeMo Sym / PhysicsNeMo CFD / PhysicsNeMo Curator

Поэтому во многих старых учебниках, блогах, issue и зеркалах встречается название modulus. При поиске материалов обращайте внимание на версию и имя пакета и не переносите старые команды Modulus напрямую в новое окружение PhysicsNeMo.

3. Действительно ли это «физический ИИ-решатель»

Так можно сказать, но важно уточнить смысл слова «решатель».

Традиционные физические решатели обычно являются численными методами: конечные разности, конечные элементы, конечные объёмы, спектральные методы, методы частиц, решатели динамики твёрдых и мягких тел. Они непосредственно дискретизируют уравнения физики и шаг за шагом вычисляют на сетке, в сетке или на частицах.

Решатель PhysicsNeMo скорее является нейросетевым суррогатным решателем:

flowchart LR
    A["Физические данные<br/>CFD / FEA / погода / поля"] --> D["Конвейер данных PhysicsNeMo"]
    B["Физические уравнения<br/>PDE / граничные условия / невязка"] --> E["Потери с учётом физики"]
    D --> F["Физико-машинная модель<br/>FNO / DeepONet / GNN / PINN / диффузия"]
    E --> F
    F --> G["Обученный суррогат"]
    G --> H["Быстрый инференс<br/>предсказание полей / перебор параметров / ассимиляция данных"]

На этапе обучения может требоваться много симуляционных данных, данных наблюдений или невязок PDE. На этапе инференса модель может быстрее традиционной симуляции дать приближённое решение: по граничным условиям, геометрическим параметрам или начальному полю предсказать будущие значения поля — давление, скорость, температуру, напряжение или метеорологические переменные.

Основная ценность таких моделей — ускорение перебора параметров, оптимизации конструкции, ассимиляции данных и интерактивного инженерного исследования, а не замена всех высокоточных симуляций.

4. Основные компоненты

Согласно официальному README NVIDIA, PhysicsNeMo организован модульно. Ключевые компоненты:

Из них ближе всего к «физическому ИИ-решателю» models, datapipes и sym. Если нужно просто запустить нейросетевую модель, достаточно базового ядра; если требуется явно включить в обучение невязку PDE, граничные условия и сэмплирование геометрии, придётся работать с physicsnemo-sym.

5. Какие архитектуры моделей поддерживаются

Официальная страница архитектур моделей и README упоминают такие представительные модели:

• Fourier Neural Operator (FNO): изучает отображение между функциональными пространствами; часто используется как суррогат PDE.
• DeepONet: тоже относится к линии нейронных операторов; использует сети ветви (branch) и ствола (trunk) для изучения оператора.
• DoMINO: класс моделей NVIDIA для предсказания инженерных полей по геометрии.
• Графовые нейронные сети (GNN): подходят для сеток, частиц, графовых структур и нерегулярной геометрии.
• MeshGraphNet: распространён в лагранжевых или сеточных физических системах.
• XAeroNet: ориентирован на суррогатное моделирование аэродинамики.
• Диффузионные модели / коррекционная диффузия / DDPM: для вероятностного предсказания, коррекции и генеративного физического моделирования.
• GraphCast / модели погоды: для погоды и систем Земли.
• Трансформеры / Transsolver / RNN / SwinVRNN: для пространственно-временных последовательностей и предсказания полей.
• PINN: вводят физические ограничения в функцию потерь через невязку PDE и автоматическое дифференцирование.

Для учебника о роботах важнее всего знать три типа моделей: FNO, GNN и PINN. FNO типичен для предсказания полей на регулярной сетке, GNN естественнее работает с сетками, графами и частицами, а PINN подчёркивает идею: если размеченных данных мало, модель ограничивают невязкой уравнения.

6. Отличие от симуляторов роботов

Этот пункт нужно проговорить ясно, иначе легко возникнет путаница.

Поэтому PhysicsNeMo — не «более продвинутый Isaac Sim». Если нужно обучить манипулятор хватать чашку, PhysicsNeMo — не первый выбор; если нужно выучить быструю аппроксимацию модели для гибкого материала, поля течения, аэродинамической нагрузки или теплового поля, то он гораздо более уместен.

7. Способы установки

Официальная документация описывает два варианта установки: через pip / uv и через образ контейнера NVIDIA.

Проще всего попробовать через pip:

pip install nvidia-physicsnemo

Если нужны символические PDE, области, сэмплирование геометрии и потери с учётом физики, можно установить расширение с sym:

pip install "nvidia-physicsnemo[sym]"

Чтобы избежать проблем с зависимостями, особенно при запуске официальных примеров, контейнер NVIDIA надёжнее. Контейнер подходит для обучения, запуска примеров и проверки согласованности окружения. Конкретный тег образа следует брать с официальной страницы установки; в учебнике не стоит фиксировать тег, который может устареть.

Минимальная проверка импорта после установки:

import torch
from physicsnemo.models.mlp.fully_connected import FullyConnected

model = FullyConnected(in_features=32, out_features=64)
x = torch.randn(128, 32)
y = model(x)

print(y.shape)

Эта проверка подтверждает только то, что пакет physicsnemo импортируется и модельный модуль создаётся. Она не доказывает, что CUDA, распределённое обучение, невязка PDE или официальные примеры уже работают.

8. С какого примера начинать

В каталоге официальных примеров много задач: CFD, погода, PDE, GNN, диффузия. Новичкам рекомендуется начать с Darcy Flow + FNO.

Darcy Flow — очень классическая задача PDE-суррогата в учебниках по нейронным операторам. Обычно на вход подаются поле проницаемости, граничные условия и т. п., а на выход — поле давления или связанное решение. Преимущества этой задачи:

• она гораздо легче трёхмерных моделей CFD;
• она проще моделей погоды или больших сеточных GNN;
• ясно видна структура «входное поле -> FNO -> выходное поле»;
• её можно расширить до потерь с учётом физики или PINO.

Рекомендуемый порядок чтения:

1. 2D Darcy Flow using Fourier Neural Operators
2. 2D Darcy Flow using Fourier Neural Operators and Physics Losses
3. Раздел FNO / нейронных операторов в документации архитектур моделей PhysicsNeMo
4. Материалы physicsnemo-sym о невязке PDE и геометрии / областях

Не стоит сразу запускать GraphCast, климатические или сложные инженерные CFD-задачи. Они ближе к реальным приложениям, но требуют существенно больше времени на установку, данных и вычислительных ресурсов.

9. Простое понимание: что делает FNO

FNO можно грубо понимать так: модель изучает отображение из «входной функции» в «выходную функцию». Обычная нейронная сеть изучает отображение векторов:

x ∈ R^d -> y ∈ R^k

Нейронный оператор изучает отображение функций:

a(x, y) -> u(x, y)

В задаче Darcy Flow a(x, y) — пространственно меняющийся параметр материала или проницаемость, а u(x, y) — давление, полученное решением PDE. После обучения, если дать новое поле проницаемости, FNO может сразу предсказать всё поле давления, не вызывая традиционный решатель PDE заново.

В этом и состоит главная ценность PhysicsNeMo: он не решает PDE строго на каждом инференсе, а обучает модель, которая быстро приближает оператор решения PDE.

10. Возможные точки соприкосновения с воплощённым ИИ

Хотя PhysicsNeMo не является основным инструментом, есть несколько потенциальных точек пересечения.

10.1 Суррогаты мягких тел, жидкостей и материалов

Складывание одежды, мягкие роботы, манипуляции с жидкостью, сыпучими материалами и кухонные задачи включают сложную физику. Основные симуляторы роботов часто не могут одновременно обеспечить точность и скорость для этих задач. В будущем можно обучить суррогаты для некоторых полевых переменных или отклика материала с PhysicsNeMo и затем подключить результаты к политике робота или оценке задачи.

10.2 Предсказание непрерывных полей помимо контактных событий

VLA и модели мира обычно предсказывают изображения, действия или низкоразмерные состояния, но в реальной физике есть поля давления, температуры, скорости потока и деформации. PhysicsNeMo лучше подходит для суррогатного моделирования таких непрерывных полей.

10.3 Инженерное проектирование и ускорение симуляции

Конструкции роботов, концевых эффекторов, форма дронов, конструкция теплоотвода могут требовать CFD и FEA. PhysicsNeMo может служить инструментом «сначала генерируем данные высокоточной симуляцией, затем обучаем суррогат для быстрого перебора параметров».

10.4 Ассимиляция данных и дополнение наблюдений

Если у робота только разреженные датчики, например несколько точек силы, температуры, скорости потока или деформации, модели Physics-ML могут сочетать наблюдения с физическими уравнениями и восстанавливать полное поле. Но это уже скорее исследовательское направление, а не вводный раздел учебника.

11. Почему его называют «немного старым»

«Старость» здесь относится скорее к линиям методов, чем к прекращению поддержки проекта.

PINN, FNO, DeepONet, MeshGraphNet, GraphCast — эти подходы развиваются уже несколько лет; NVIDIA Modulus тоже не новый проект, просто его переименовали и интегрировали в PhysicsNeMo. Для передовых направлений воплощённого ИИ сейчас больше внимания получают VLA, модели мира, RL на реальных роботах, генерация данных, трёхмерное зрение и базовые политики роботов; PhysicsNeMo не находится на самом прямом пути этих направлений.

Но с точки зрения инженерии и AI4Science он остаётся активным проектом. README GitHub показывает статус active, а официальная документация продолжает поддерживать новые инструкции по установке, примеры и руководство по миграции на v2.0. Поэтому более точное утверждение: методическая линия относительно зрелая и слабо связана с основной линией учебника по роботам, но проект не заброшен.

12. Границы воспроизведения

В этой главе не предлагается пошагово воспроизводить полный бенчмарк PhysicsNeMo. Причины:

• официальные примеры охватывают CFD, погоду, PDE, GNN и диффузию — диапазон очень широк;
• многим задачам нужны специальные наборы данных, и простой pip install не даёт осмысленного результата;
• крупномасштабное обучение Physics-ML в большей степени зависит от GPU NVIDIA и контейнерной среды;
• для специалиста по воплощённому ИИ полное воспроизведение даёт меньше пользы, чем изучение MuJoCo / Isaac / ManiSkill / Genesis;
• версионные названия PhysicsNeMo и миграция с Modulus легко делают старые учебники неработоспособными.

Целевые уровни воспроизведения:

Для курса по воплощённому ИИ достаточно L1 или L2. L3 относится к специальным исследованиям и не подходит для общего задания в группе.

13. Рекомендуемый порядок чтения и использования

1. Сначала прочитать страницу NVIDIA developer и понять официальное позиционирование PhysicsNeMo.
2. Затем прочитать README на GitHub и определить основные модули: models, datapipes, distributed, curator, sym.
3. Потом прочитать документацию по установке и выбрать pip / uv / контейнер.
4. Посмотреть каталог примеров и начать с Darcy Flow FNO.
5. Наконец, изучить архитектуры моделей и восполнить фон по FNO, DeepONet, GNN и PINN.

Если вы занимаетесь только роботами, не нужно глубоко вникать в каждую модель. Достаточно уметь объяснить, что PhysicsNeMo — фреймворк физического суррогатного ИИ, а не интерактивный симулятор роботов; этого достаточно для целей главы.

Ссылки

• Страница NVIDIA PhysicsNeMo для разработчиков: https://developer.nvidia.com/physicsnemo
• NVIDIA/physicsnemo на GitHub: https://github.com/NVIDIA/physicsnemo
• Документация PhysicsNeMo: https://docs.nvidia.com/physicsnemo/latest/
• Руководство по установке: https://docs.nvidia.com/physicsnemo/latest/getting-started/installation.html
• Архитектуры моделей: https://docs.nvidia.com/physicsnemo/latest/user-guide/model_architectures.html
• Каталог примеров: https://docs.nvidia.com/physicsnemo/latest/examples_catalog.html
• PhysicsNeMo Sym: https://github.com/NVIDIA/physicsnemo-sym
• PhysicsNeMo CFD: https://github.com/NVIDIA/physicsnemo-cfd