数据与物理双驱动
数据与物理双驱动是 NVIDIA Modulus 2026 的核心方法论。它将 PDE（偏微分方程）约束作为正则化项，使 AI 模型在数据稀疏时也能保证物理一致性。
与传统方法的区别
- 纯数据驱动 AI：依赖大量标注数据，在数据稀疏时效果差，可能产生物理不一致的结果。
- 纯机理模型：基于物理定律，但计算成本高，难以处理复杂几何。
- 数据与物理双驱动：结合两者优势，用物理约束引导 AI 学习，用数据弥补机理模型的不足。
优势
- 在数据稀疏时仍能保证物理一致性
- 降低对高质量标注数据的依赖
- 模型更具泛化能力和可解释性