modulus

معامل نفيديا

البداية | دليل التثبيت | إرشادات المساهمة | الموارد | تواصل

ما هو المعامل؟

NVIDIA Modulus هو إطار عمل مفتوح المصدر للتعلم العميق لبناء نماذج التعلم العميق والتدريب عليها وضبطها باستخدام أحدث أساليب SciML لعلوم وهندسة الذكاء الاصطناعي.

توفر Modulus أدوات مساعدة وخطوط أنابيب محسنة لتطوير نماذج الذكاء الاصطناعي التي تجمع بين المعرفة الفيزيائية والبيانات، مما يتيح التنبؤات في الوقت الفعلي.

سواء كنت تستكشف استخدام المشغلين العصبيين أو شبكات GNN أو المحولات أو كنت مهتمًا بالشبكات العصبية المستنيرة بالفيزياء أو النهج المختلط بينهما، فإن Modulus يوفر لك حزمة مُحسّنة ستمكنك من تدريب نماذجك على نطاق واسع.

• المزيد عن المعامل

• الحزم الخاصة بالمجال

• مكتبة تدريب قابلة للتطوير ومُحسّنة لوحدة معالجة الرسومات

• مجموعة من نماذج تعلم الآلة المبنية على الفيزياء

• التكامل السلس مع PyTorch

• سهولة التخصيص والتوسيع

• مكتبة AI4Science

• من يساهم في Modulus

• لماذا استخدام المعامل

• ابدء

• موارد

• تثبيت

• المساهمة

• تواصل

• رخصة

المزيد عن المعامل

على المستوى التفصيلي، يوفر Modulus مكتبة تضم بعض المكونات الرئيسية:

عنصر	وصف
وحدات.نماذج	مجموعة من النماذج المحسنة والقابلة للتخصيص وسهلة الاستخدام مثل Fourier Neural Operators وGraph Neural Networks وغيرها الكثير
modulus.datapipes	خط أنابيب البيانات ومكتبة أداة تحميل البيانات، بما في ذلك أنابيب البيانات القياسية وأنابيب البيانات الخاصة بالطقس وأنابيب بيانات الرسم البياني
modulus.distributed	مكتبة حوسبة موزعة مبنية على torch.distributed لتمكين التدريب الموازي بخطوات قليلة فقط
modulus.sym.geometry	مكتبة للتعامل مع الهندسة لتدريب DL باستخدام نمذجة الهندسة الصلبة البناءة وملفات CAD بتنسيق STL.
modulus.sym.eq	مكتبة لاستخدام PDEs في تدريب DL الخاص بك مع العديد من تطبيقات المعادلات الشائعة وطرق التخصيص السهلة.

للحصول على قائمة كاملة، راجع وثائق Modulus API الخاصة بـ Modulus Core وModulus Sym.

عادة، يتم استخدام المعامل إما على النحو التالي:

• أداة تكميلية لـ Pytorch عند استكشاف الذكاء الاصطناعي لتطبيقات SciML وAI4Science.

• منصة بحثية للتعلم العميق توفر الأداء الأمثل على وحدات معالجة الرسومات NVIDIA.

مزيد من التفصيل:

مكتبة تدريب قابلة للتطوير ومُحسّنة لوحدة معالجة الرسومات

يوفر Modulus مكتبة تدريب محسنة للغاية وقابلة للتطوير لزيادة قوة وحدات معالجة الرسومات NVIDIA. تتيح أدوات الحوسبة الموزعة إمكانية التوسع بكفاءة من وحدة معالجة رسومات واحدة إلى مجموعات وحدات معالجة الرسومات متعددة العقد باستخدام بضعة أسطر من التعليمات البرمجية، مما يضمن النطاق الواسع. يمكن تدريب نماذج التعلم الآلي المبنية على الفيزياء (ML) بسرعة وفعالية. يتضمن الإطار دعمًا متقدمًا. أدوات مساعدة للتحسين، وأنابيب بيانات مصممة خصيصًا، وأدوات مساعدة للتحقق لتعزيز سرعة التدريب الشاملة.

مجموعة من نماذج ML المستنيرة بالفيزياء

تقدم Modulus مكتبة شاملة لأحدث النماذج المصممة خصيصًا لتطبيقات الفيزياء-ML. تشتمل حديقة الحيوان النموذجية على بنيات نموذجية قابلة للتعميم مثل مشغلي فورييه العصبيين (FNOs)، وDeepONEt، والشبكات العصبية المستنيرة بالفيزياء (PINNs)، والشبكات العصبية الرسومية (GNNs)، ونماذج الذكاء الاصطناعي التوليدية مثل نماذج الانتشار بالإضافة إلى النماذج الخاصة بالمجال مثل التعلم العميق للتنبؤ بالطقس (DLWP) وشبكة الدقة الفائقة (SrNN) وغيرها. تم تحسين هذه النماذج لمختلف مجالات الفيزياء، مثل ديناميكيات الموائع الحسابية، والميكانيكا الهيكلية، والكهرومغناطيسية. يمكن للمستخدمين تنزيل هذه النماذج وتخصيصها والبناء عليها لتناسب احتياجاتهم الخاصة، مما يقلل بشكل كبير من الوقت اللازم لتطوير عمليات محاكاة عالية الدقة.

التكامل السلس مع PyTorch

تم بناء Modulus على قمة PyTorch، مما يوفر تجربة مألوفة وسهلة الاستخدام لأولئك الذين يتقنون PyTorch بالفعل. يتضمن ذلك واجهة Python بسيطة وتصميمًا معياريًا، مما يجعل من السهل استخدام Modulus مع سير عمل PyTorch الحالي. يمكن للمستخدمين الاستفادة من نظام PyTorch البيئي الشامل، بما في ذلك مكتباته وأدواته مع الاستفادة من قدرات Modulus المتخصصة في فيزياء ML. يضمن هذا التكامل السلس أن المستخدمين يمكنهم اعتماد Modulus بسرعة دون منحنى تعليمي حاد.

لمزيد من المعلومات، راجع تحويل نماذج PyTorch إلى نماذج Modulus

سهولة التخصيص والتوسيع

تم تصميم Modulus ليكون قابلاً للتوسعة بدرجة كبيرة، مما يسمح للمستخدمين بإضافة وظائف جديدة بأقل جهد. يوفر الإطار واجهات برمجة التطبيقات Pythonic لتحديد نماذج فيزيائية وأشكال هندسية وقيود جديدة، مما يجعل من السهل توسيع قدراته لتشمل حالات استخدام جديدة. يتم تعزيز قدرة Modulus على التكيف بشكل أكبر من خلال الميزات الرئيسية مثل دعم ONNX لنشر النماذج المرنة وأدوات التسجيل القوية لمعالجة الأخطاء بشكل مبسط وفحص فعال لتبسيط تحميل النموذج وحفظه.

تضمن قابلية التوسعة قدرة Modulus على التكيف مع الاحتياجات المتطورة للباحثين والمهندسين، مما يسهل تطوير حلول مبتكرة في مجال الفيزياء-ML.

يمكن العثور على معلومات تفصيلية حول الميزات والقدرات في وثائق Modulus.

تغطي العينات المرجعية نطاقًا واسعًا من مسارات العمل المقيدة بالفيزياء والمعتمدة على البيانات لتناسب تنوع حالات الاستخدام في تخصصات العلوم والهندسة.

نصيحة

هل لديك أسئلة حول كيف يمكن لـ Modulus مساعدتك؟ جرب برنامج الدردشة الآلي [التجريبي] الخاص بنا، دليل Modulus، للحصول على الإجابات.

مرحبا بالعالم

يمكنك البدء في استخدام Modulus في كود PyTorch الخاص بك بهذه البساطة كما هو موضح هنا:

 python >>> استيراد الشعلة >>> من modulus.models.mlp.fully_connected import FullyConnected >>> model = FullyConnected(in_features=32, out_features=64)>>> input = torch.randn(128, 32)>>> الإخراج = النموذج (الإدخال) >>> الإخراج.شكل الشعلة.الحجم ([128، 64])

مكتبة AI4Science

• المعامل الرمزي: يتيح مستودع الخوارزميات والأدوات المساعدة هذا للباحثين والمطورين في SciML إمكانية تدريب الفيزياء على النماذج والتحقق من صحتها. كما أنه يوفر تجريدًا عالي المستوى لخبراء المجال الأصليين للعلوم والهندسة.

الحزم الخاصة بالمجال

فيما يلي حزم مخصصة لخبراء المجال في مجتمعات محددة تلبي احتياجات الاستكشاف الفريدة الخاصة بهم.

• Earth-2 Studio: مشروع مفتوح المصدر لتمكين الباحثين والعلماء في مجال المناخ من استكشاف وتجربة نماذج الذكاء الاصطناعي للطقس والمناخ.

الحزم البحثية

فيما يلي حزم الأبحاث التي يتم تجميعها في Modulus بمجرد استقرارها.

• Modulus Makani: مكتبة تجريبية مصممة لتمكين البحث والتطوير لنماذج الطقس والمناخ القائمة على التعلم الآلي.

• Earth2 Grid: مكتبة تجريبية تحتوي على أدوات مساعدة للعمل مع البيانات الجغرافية المحددة على شبكات مختلفة.

• Earth-2 MIP: مكتبة تجريبية تحتوي على أدوات مساعدة لمقارنة النماذج لنماذج الطقس والمناخ.

من يستخدم ويساهم في Modulus

Modulus هو مشروع مفتوح المصدر ويحصل على مساهمات من الباحثين في مجالات SciML وAI4science. بينما يعمل فريق Modulus على تحسين مكدس SW الأساسي، يتعاون المجتمع ويساهم في بنيات النماذج ومجموعات البيانات والتطبيقات المرجعية حتى نتمكن من الابتكار في السعي لتطوير بنيات وخوارزميات نموذجية قابلة للتعميم.

بعض الأمثلة الحديثة للمساهمين في المجتمع هي فريق الطباعة ثلاثية الأبعاد HP Labs، وفريق أبحاث القلب والأوعية الدموية في جامعة ستانفورد، وفريق UIUC، وفريق CMU وما إلى ذلك.

أحدث الأمثلة على فرق البحث التي تستخدم Modulus هي فريق ORNL وفريق TU München CFD وما إلى ذلك.

يرجى الانتقال إلى هذه الصفحة للحصول على قائمة كاملة بالأعمال البحثية التي تستفيد من Modulus. للحصول على قائمة بالمؤسسات التي تستخدم Modulus، قم بالرجوع هنا.

هل تستخدم Modulus وتهتم بعرض أعمالك على مدونات NVIDIA؟ املأ نموذج الاقتراح هذا وسنقوم بالرد عليك!

لماذا يستخدمون Modulus

فيما يلي بعض الفوائد الرئيسية لـ Modulus لتطوير نموذج SciML:

قياس SciML والتحقق من صحتها	سهولة استخدام وصفات SciML المعممة مع مجموعات البيانات غير المتجانسة	أداء خارج الصندوق وقابلية للتوسع
يمكّن Modulus الباحثين من قياس نموذج الذكاء الاصطناعي الخاص بهم مقابل البنى المثبتة لمشاكل القياس القياسية مع معايير التحقق التفصيلية الخاصة بالمجال.	يمكّن Modulus الباحثين من الاختيار من بنيات SOTA SciML واستخدام خطوط أنابيب البيانات المضمنة لحالة الاستخدام الخاصة بهم.	يوفر Modulus خطوط أنابيب تدريب عالية الأداء خارج الصندوق، بما في ذلك خطوط أنابيب ETL المحسنة لمجموعات البيانات الهندسية والعلمية غير المتجانسة والتوسع خارج الصندوق عبر وحدات معالجة الرسومات المتعددة ووحدات معالجة الرسومات متعددة العقد.

تعرف على ما يقوله زملائك من الباحثين في SciML عن Modulus (قريبًا).

ابدء

ستساعدك الموارد التالية في تعلم كيفية استخدام Modulus. أفضل طريقة هي البدء بعينة مرجعية ثم تحديثها لحالة الاستخدام الخاصة بك.

• استخدام Modulus مع نموذج PyTorch الخاص بك

• استخدام نماذج Modulus المضمنة

• دليل البدء

• العينات المرجعية

• وثائق دليل المستخدم

موارد

• البدء في الندوة عبر الويب

• المعسكر التدريبي لمعامل AI4Science

• نماذج مُدربة مسبقًا

• مجموعات بيانات المعامل والمواد التكميلية

• تدريب ذاتي على معامل DLI

• التعلم العميق لسلسلة محاضرات العلوم والهندسة مع المعامل

• المعامل: الغرض والاستخدام

• دروس الفيديو

تثبيت

بيبي

الطريقة الموصى بها لتثبيت أحدث إصدار من Modulus هي استخدام PyPi:

 نقطة تثبيت nvidia-modulus

يمكن التحقق من التثبيت عن طريق تشغيل مثال helloworld كما هو موضح هنا.

التبعيات الاختيارية

لدى Modulus العديد من التبعيات الاختيارية المستخدمة في مكونات محددة. عند استخدام النقطة، يمكن تثبيت جميع التبعيات المستخدمة في Modulus باستخدام pip install nvidia-modulus[all] . إذا كنت تقوم بتطوير Modulus، فيمكن تثبيت تبعيات المطور باستخدام pip install nvidia-modulus[dev] . وبخلاف ذلك، يمكن تثبيت تبعيات إضافية على أساس كل حالة على حدة. يمكن العثور على معلومات تفصيلية حول تثبيت التبعيات الاختيارية في دليل البدء.

حاوية NVCR

يمكن سحب صورة Modulus docker الموصى بها من NVIDIA Container Registry (راجع سجل NGC للحصول على أحدث علامة):

 عامل ميناء سحب nvcr.io/nvidia/modulus/modulus:24.09

داخل الحاوية، يمكنك استنساخ مستودعات Modulus git والبدء في الأمثلة. يعرض الأمر أدناه تعليمات تشغيل حاوية المعامل وتشغيل الأمثلة من هذا الريبو.

 تشغيل عامل الميناء --shm-size=1g --ulimit memlock=-1 --ulimit stack=67108864 --runtime nvidia
 --rm -it nvcr.io/nvidia/modulus/modulus:24.09 باش
استنساخ بوابة https://github.com/NVIDIA/modulus.gitcd modulus/examples/cfd/darcy_fno/
pip install warp-lang # تثبيت NVIDIA Warp لتشغيل darcy examplepython Train_fno_darcy.py

بالنسبة لحاوية NVAIE المدعومة من قبل المؤسسة، راجع فرع ميزة Modulus Secured

من المصدر

طَرد

للإنشاء المحلي لحزمة Modulus Python من الاستخدام المصدر:

 git clone [email protected]:NVIDIA/modulus.git && cd modulus

تثبيت النقطة - ترقية النقطة
تثبيت النقطة .

حاوية المصدر

لبناء صورة عامل ميناء Modulus:

 عامل بناء عامل -t معامل:نشر
     --build-arg TARGETPLATFORM=linux/amd64 --targetploy -f Dockerfile .

وبدلاً من ذلك، يمكنك تشغيل make container-deploy

لبناء صورة CI:

 عامل بناء عامل -t معامل:ci
     --build-arg TARGETPLATFORM=linux/amd64 --target ci -f Dockerfile .

وبدلاً من ذلك، يمكنك تشغيل make container-ci .

حاليًا، يتم دعم الأنظمة الأساسية linux/amd64 و linux/arm64 فقط. إذا كنت تستخدم linux/arm64 ، فقد لا يتم تثبيت بعض التبعيات مثل warp-lang بشكل صحيح.

المساهمة في المعامل

Modulus عبارة عن تعاون مفتوح المصدر ونجاحه متجذر في مساهمة المجتمع في تعزيز مجال Physics-ML. نشكرك على مساهمتك في المشروع حتى يتمكن الآخرون من البناء على مساهمتك.

للحصول على إرشادات حول المساهمة في Modulus، يرجى الرجوع إلى إرشادات المساهمة.

استشهد معامل

إذا كان Modulus قد ساعد في بحثك وترغب في الاستشهاد به، فيرجى الرجوع إلى الإرشادات

تواصل

• مناقشات Github: مناقشة البنى الجديدة والتطبيقات وأبحاث الفيزياء-ML وما إلى ذلك.

• مشكلات GitHub: تقارير الأخطاء وطلبات الميزات ومشكلات التثبيت وما إلى ذلك.

• منتدى Modulus: يستضيف منتدى Modulus جمهورًا من المستخدمين والمطورين الجدد إلى المتوسطين للدردشة العامة والمناقشات عبر الإنترنت والتعاون وما إلى ذلك.

تعليق

هل تريد اقتراح بعض التحسينات على Modulus؟ استخدم نموذج الملاحظات الخاص بنا هنا.

رخصة

يتم توفير Modulus بموجب ترخيص Apache 2.0، يرجى مراجعة LICENSE.txt للحصول على نص الترخيص الكامل.