摘要：PhysicsNeMo 提供神经算子、图网络、PINN、科学数据管线和分布式 GPU 组件，用于训练工业代理模型。本文梳理其技术栈、方法选择、数据与验证要求，并说明它与传统 CFD、FEA 和试验体系的合理分工。
在流体、结构、热、电磁与地球系统建模中，高保真求解器常要处理复杂几何、非线性偏微分方程以及跨度很大的时空尺度。一次 CFD 或 FEA 计算可以提供可信的局部细节，但参数扫描、设计优化、风险分析和在线控制往往需要成千上万次求解。NVIDIA PhysicsNeMo 面向这一计算缺口，提供基于 PyTorch 的开源物理机器学习框架，用于构建、训练、微调和部署神经算子、图神经网络、Transformer、扩散模型及物理信息神经网络。
理解 PhysicsNeMo 的关键，是把它看成一套工程化组件和参考配方。框架负责模型模块、科学数据管线、网格处理、物理残差、分布式计算、日志与检查点；企业仍需定义问题边界，生产训练数据，建立验证规则，并决定代理模型在 CAE 流程里拥有多大权限。它能显著缩短重复预测的时间，却不会自动替代经过认证的求解器与试验体系。
一、技术架构：六层协同的 Physics AI 栈
PhysicsNeMo 2.0 的主体结构可整理为六层：
- 数据与几何层：
physicsnemo.datapipes面向规则张量、点云、网格和大型图，采用 GPU 优先、线程化及异步执行思路；Zarr、XArray、HDF5、NetCDF 等格式可承接高分辨率数据。physicsnemo.mesh提供 GPU 加速的单纯形网格处理，统一表达二维三角网格、三维表面、四面体体网格、曲线、图和点云。 - 模型层：
physicsnemo.models包含 FNO、MeshGraphNet、GraphCast、DoMINO、U-Net、扩散模型和多类 Transformer；physicsnemo.nn提供可复用层。模型保持 PyTorch 风格，已有torch.nn.Module也能接入训练循环。 - 物理约束层：
physicsnemo.sym使用 SymPy 定义 PDE，以自动微分或数值梯度计算空间导数和方程残差。原独立的physicsnemo-sym仓库已经归档，相关能力并入主仓库，可通过nvidia-physicsnemo[sym]安装。 - 训练层：优化器和主循环沿用 PyTorch，PhysicsNeMo 补充指标、混合精度、日志、检查点、模型注册及参考配置。官方训练教程展示了 FNO、Darcy2D DataPipe、DDP、MLflow/W&B 和推理加载的组合方式。
- 并行层：
DistributedManager统一管理 rank、设备和进程组；DDP 负责样本级数据并行，ShardTensor 与域并行负责拆分单个超大网格或点云，FSDP2 可分片参数、梯度和优化器状态。 - 推理与集成层：训练模型可加载检查点执行批量或在线推理，并能接入现有 Python、PyTorch、CAE 后处理及数字孪生服务。生产系统通常还需要模型服务、输入合法性检查、版本治理和回退求解器。
这套分层设计允许团队只采用部分组件。例如，现有 PyTorch 代理模型可以仅使用 DataPipes 和分布式工具；已有 CFD 数据平台也可以保留原 ETL，只引入 DoMINO 或 MeshGraphNet；PINN 项目则可集中采用 SymPy 方程定义和 PhysicsInformer。
二、神经算子与代理模型如何工作
传统监督网络学习有限维向量之间的映射，神经算子尝试学习函数空间之间的映射。以稳态 Darcy 流为例，输入是空间变化的渗透率场 (a(x))，输出是压力场 (u(x))，目标可写为：
[
\mathcal{G}: a(x) \mapsto u(x), \qquad -\nabla\cdot(a(x)\nabla u(x))=f(x)
]
FNO 在频域对场进行卷积，只保留一定数量的 Fourier 模态，再配合逐点线性变换和非线性层。它对规则网格效率较高，适合参数化 PDE、天气场和结构化 CFD 数据。所谓“网格无关”需要谨慎理解：算子形式可以适配不同离散分辨率，但训练分布、频谱截断、插值误差和边界表达仍会影响跨分辨率表现。
DeepONet 使用 branch net 编码输入函数，trunk net 编码查询坐标，再组合两者预测任意位置的解。PhysicsNeMo 的 Darcy 物理引导示例把 FNO 用作 branch net、全连接网络用作 trunk net，坐标路径保持可微，因此可直接计算压力对坐标的导数。PINO 则常在规则网格上对 FNO 输出采用谱微分或有限差分，并把 PDE 残差加入损失。
DoMINO 面向外部空气动力学等大型三维问题。其输入可包含 STL 几何点云、符号距离场和位置编码，先学习多尺度全局几何表示，再围绕查询点建立局部区域与动态计算模板，输出车身表面压力、壁面剪切应力以及周围体积流场。官方示例使用 DrivAerML 数据集，支持表面场和体积场训练，也支持点与潜空间网格的域并行。它避免把完整 CFD 体网格直接作为推理前提，但高质量训练标签依旧依赖一致、受控的仿真流程。
GNN 更适合非结构网格。MeshGraphNet 将节点状态、边属性和连接关系编码为图，通过消息传递更新局部状态；时间问题通常采用自回归 rollout。其优势是几何表达自然，代价是大图消息通信、halo 区交换和长时滚动误差。Transformer 擅长捕获长程相互作用，Transolver 等架构可处理无序点集和不规则表面，但注意力的显存与通信开销必须结合局部化、分片和低精度训练控制。
选型时可用四个问题快速收敛。输入是否位于规则网格？若是，FNO、U-Net 和基于谱注意力的模型容易获得较高吞吐。网格连接是否承载关键物理含义？若是，MeshGraphNet 一类 GNN 更合适。预测是否需要在任意坐标查询？DeepONet、点云算子和 DoMINO 的表达更便利。任务是否存在多解、随机细节或病态逆问题？扩散模型可表示条件分布，但采样成本、概率校准和物理约束要额外评估。模型选择还应考虑目标尺度：预测全场、积分力和局部峰值对应不同损失设计，同一架构未必同时达到最佳。若业务只关心阻力系数，直接回归标量可能比生成完整流场更经济；若后续还要检查热点和流动结构，全场代理更有价值。
此外，代理模型的泛化单位应在立项时明确。它可以针对单一零件族、某类边界条件，也可以覆盖多种几何和物理参数。覆盖面扩大通常需要更多样本、更大模型和更严格的分层验证。所谓基础模型能力不能仅凭训练规模判断，应通过未见几何、未见参数组合、不同分辨率和不同求解器数据的测试来证明。工程团队应先争取窄域可靠，再逐步扩展适用域。
三、PINN、物理约束与混合训练
PhysicsNeMo 覆盖三类常见训练范式：
| 范式 | 监督信号 | 主要优势 | 主要风险 |
|---|---|---|---|
| 数据驱动代理模型 | CFD/FEA/试验标签 | 收敛稳定，复杂闭合关系可由数据吸收 | 数据昂贵，分布外行为难控 |
| PINN | PDE、边界条件、初始条件，少量或无标签 | 数据稀缺时仍可训练，反问题表达直接 | 多尺度、湍流、刚性方程可能优化困难 |
| 数据与物理混合 | 标签损失加 PDE/守恒/边界残差 | 可作正则化，改善守恒性和小样本表现 | 损失权重冲突，残差小不代表场误差小 |
典型混合目标为：
[
\mathcal{L}=\lambda_d\mathcal{L}{data}+\lambda_r\mathcal{L}{PDE}+\lambda_b\mathcal{L}{BC}+\lambda_c\mathcal{L}{cons}
]
其中数据项衡量预测场与标签的差异，PDE 项计算控制方程残差，边界项约束入口、壁面、对称面或载荷条件，守恒项可监控质量、动量、能量及全局力。各项量纲、数值范围与梯度尺度不同，固定权重经常造成某个目标主导训练。工程项目应记录每一项损失及其梯度范数，必要时采用归一化、课程学习、自适应权重或分阶段微调。
PINN 的难点常来自优化条件，而非方程书写。高 Reynolds 数流动、薄边界层、冲击波、接触、材料屈服、裂纹尖端等问题包含尖锐梯度或非光滑响应；自动微分虽然精确计算网络导数，却不能保证网络已经解析这些局部尺度。采样点密度、网络频谱偏置、边界条件施加方式和高阶导数噪声都会左右结果。此类场景可采用局部分区、无量纲化、硬边界约束、残差自适应采样，或先进行数据训练再加入物理项。
还要区分“满足训练采样点上的残差”和“满足连续域上的方程”。残差评估应使用独立配点，并检查积分守恒、边界通量及关键工程量。DoMINO 官方示例也显示，加入物理损失后，守恒相关表现可能改善，但若干体积场 L2 误差未必同步下降。这说明物理一致性与点对点精度是两个评价轴，报告时不宜合并成单一分数。
四、数据管线决定上限
物理代理模型的数据对象比普通图像更复杂：几何版本、网格拓扑、材料参数、边界条件、求解器版本、收敛状态和场变量单位必须共同保存。一个可靠的数据管线至少包括：
- 数据契约：明确坐标系、单位、变量定义、参考压力、湍流模型、材料本构、边界类型和缺失值规则。
- 质量门禁：剔除未收敛算例，检查质量不平衡、能量残差、网格质量、异常载荷和重复几何；原始文件使用不可变版本与校验和。
- 几何处理：生成点云、图连接、SDF、邻域或规则体素；切分时以几何族、工况族为单位，避免同一基础 CAD 的轻微变体同时落入训练集和测试集。
- 统计与归一化：输出场按训练集统计量标准化；坐标边界盒、裁剪区域和无量纲参数应纳入模型版本。
- 吞吐优化：大型体网格优先采用分块、预取、缓存及 Zarr 等并行友好格式。DoMINO 示例指出，DrivAerML 单样本体积数据可达约 1.6 亿点，动态采样前读取全场可能压垮磁盘与 CPU 解码能力。
PhysicsNeMo DataPipes 提供 PyTorch 风格接口和 Hydra 配置，有利于复现实验；PhysicsNeMo Curator 可协助处理工程数据。框架解决加载与变换机制，数据语义仍需领域专家负责。若壁面剪切应力在不同求解器里采用不同符号或参考方向，再快的数据加载也只会更快地传播错误。
五、训练、推理与分布式 GPU 策略
科学机器学习的并行瓶颈与大语言模型不同。许多 FNO、GNN 代理模型参数量低于十亿，模型可以装入单张 GPU，但单个三维样本、图或点云极大。因此并行策略应按瓶颈选择：
- DDP 数据并行：每张 GPU 保存完整模型，处理不同样本并同步梯度。模型可单卡容纳、样本数量足够时优先采用。
- 域并行：把单个网格、点云或规则场分配给多张 GPU，子域间交换 halo 或边界数据。它适用于单样本超显存、需要更高空间分辨率的任务。
- FSDP/模型并行：参数、梯度、优化器状态或层被分片，适合大型 Transformer、扩散模型及更大的基础模型。
- 混合策略：域并行组处理一个样本，数据并行组复制该组合。此时通信拓扑、负载均衡和 I/O 并发度都需测量。
官方分布式文档提供 DistributedManager、可微 collective 以及 ShardTensor。DoMINO 配方可同时分片输入点和潜空间网格，并在数据并行维度应用 FSDP2。性能评估不能只看 GPU 数量，应记录每步时间、数据等待、通信占比、显存峰值、强扩展效率和弱扩展效率。若每个 rank 读同一大文件，GPU 扩容可能首先放大存储拥塞。
推理阶段通常轻得多，但上线前仍需固定预处理、归一化和坐标变换；检查点要连同代码提交、依赖、数据版本、配置和指标一起登记。批量设计筛选追求吞吐，在线数字孪生关注尾延迟，超大场重建可能仍要域并行。ONNX 或服务容器可以改善部署兼容性，数值等价性要用同一验证集复测，尤其是在 FP16、BF16 或 FP8 条件下。
六、与传统 CFD/FEA 的关系
PhysicsNeMo 适合构建“高保真求解器生产知识、代理模型重复调用”的组合体系。CFD/FEA 继续承担控制方程离散、复杂材料与闭合模型、极端工况分析、法规证据以及代理模型再校准；神经代理承担大规模参数扫描、优化内循环、实时预估、初值生成和不确定性筛选。
可行的协作模式包括：
- 代理模型先筛选数万组设计，保留候选方案交给 CFD/FEA 精算。
- 代理预测作为求解器初场，减少稳态迭代或瞬态热启动时间。
- 主动学习根据不确定性挑选新增仿真点，逐轮补齐稀疏区域。
- 在线系统使用代理模型给出低延迟估计，输入越界或置信度不足时切换高保真服务。
- 混合模型让网络学习湍流闭合、材料本构或未建模修正项，外层仍由数值求解器保证离散结构。
代理模型的成本具有前置特征：数据生成和训练昂贵，单次推理便宜。若项目只需计算少量彼此差异很大的工况，训练投资通常难以回收。若设计族稳定、输入参数明确、同类查询频繁，代理模型的经济性会更好。
七、验证体系与误差边界
企业验证不能停留在平均 MSE。建议建立四层指标：
- 场误差：相对 L2、L1、最大误差、分位数误差，并按空间区域统计；边界层、尾迹、接触区和热点应单列。
- 物理误差：连续性、动量、能量或平衡方程残差；入口出口通量差；边界条件违反程度。
- 工程量误差：阻力、升力、压降、峰值温度、最大应力、疲劳指标、固有频率等，并设置业务容差。
- 可靠性指标：不同几何族、参数区间、网格尺度、求解器版本下的覆盖率；推理延迟、失败率与校准后的预测区间。
误差边界应绑定“适用域”。可将几何嵌入距离、输入参数范围、无量纲数、材料类别、网格统计和边界条件编码用于分布外检测。置信区间可借助深度集成、分位数回归、保形预测或概率模型估计，但它们必须在独立校准集上验证覆盖率。若声明 95% 区间，应检查各工况分组是否接近目标覆盖率，而非只看总体平均。
测试集需要包含随机留出、整族几何留出、边界工况留出和极端条件压力测试。时间模型还应检查多步 rollout 的误差累积、稳定性和守恒漂移。发布门禁可以写成明确规则：关键工程量 P95 相对误差低于阈值、守恒误差低于阈值、95% 区间实际覆盖率达标、分布外检测召回率达标；任一失败即回退求解器。
误差边界不能外推为安全承诺。数据未覆盖的激波形态、新材料相变、拓扑改变、边界条件组合或设备故障模式，都可能令预测失效。模型卡应列明训练域、排除项、指标分布、已知失败案例、允许用途和升级流程。
八、适合与不适合的场景
**适合：**固定产品族内的大量设计变体；仿真标签可稳定批量生成；输入输出定义清晰；业务容许统计误差；需要毫秒或秒级响应；优化、UQ、数字孪生会高频调用模型；规则网格、点云或非结构网格能被一致编码。
**不适合：**仅有少量且质量不明的数据；物理机制或边界条件频繁变化；首次出现的事故工况；强非光滑、多尺度问题又缺乏局部采样；法规要求逐算例使用认证求解器；一次性分析；误差阈值极严且无法建设回退机制。纯 PINN 对高 Reynolds 湍流、复杂三维几何和刚性多物理耦合尤其需要先做小规模可行性验证。
九、企业落地建议
第一阶段应选取输入维度受控、已有仿真数据库、工程 KPI 明确的单一部件。以现有求解器结果作为基线，先训练一个简单 FNO、GNN 或点云模型，再考虑物理损失和大型架构。架构复杂度只有在验证指标证明收益时才增加。
第二阶段建立可审计流水线：数据集不可变版本、求解器与网格元数据、训练配置、随机种子、代码提交、检查点、模型卡和验证报告缺一不可。训练集扩充应由误差地图和主动学习驱动，避免盲目增加相似样本。
第三阶段采用影子运行。代理模型与生产 CFD/FEA 同时接收请求，持续比较关键工程量；确认分布外检测、置信区间和回退逻辑后，再允许代理结果进入设计筛选。安全或合规决策仍保留人工审查与高保真复核。
基础设施方面，先定位数据读取、单样本显存或模型参数中的主要瓶颈，再选择 DDP、域并行或 FSDP。GPU 利用率低时，优先检查格式、分块、缓存和 CPU 解码。版本升级也应谨慎：PhysicsNeMo 2.0 调整了包结构，并将 Sym 能力并入主仓库，旧项目应依据迁移指南更新导入路径、检查点和数据管线。
PhysicsNeMo 提供了成熟度较高的物理机器学习构件，但项目成败更多取决于问题定义、数据可信度和验证纪律。最稳健的落地目标，是在清晰适用域内获得可量化的加速，同时保留传统数值求解器作为证据来源、校准工具和风险后盾。