physicsnemo

背景：为什么科学计算需要 AI 革命？

想象一下，你需要预测一场台风未来72小时的路径。传统数值天气预报（NWP）需要求解全球大气偏微分方程，计算一个网格点需要数百万次浮点运算，整个地球的网格数以亿计——即便用超级计算机，也需要数小时。而2022年 DeepMind 发布的 GraphCast，仅用一块 GPU 就能在1分钟内完成同样精度的预报，震惊了整个气象界。

这背后，是一类叫做 Physics-ML（物理信息机器学习） 的新范式正在颠覆科学计算：不再依赖手工求解方程，而是让神经网络从海量数据中学习物理规律，再将物理约束嵌入训练过程，做到"又快又准"。

NVIDIA PhysicsNeMo（全称 Physics Neural Network Modeling）正是 NVIDIA 为这个领域打造的生产级开源框架。它将 PyTorch 的灵活性、NVIDIA Warp 的 GPU 加速能力、以及 24 种前沿神经网络架构整合在一起，让科研人员和工程师能够快速构建、训练和部署 AI 驱动的多物理场仿真系统。

项目起源：NVIDIA 的科学计算 AI 布局

NVIDIA 早在 2020 年代初就意识到 GPU 在科学计算中的巨大潜力。CUDA 生态从游戏显卡加速，逐步扩展到深度学习、自动驾驶，再到科学计算。2022年前后，NVIDIA 内部启动 PhysicsNeMo 项目，目标是将最前沿的 Physics-ML 研究成果工程化、产品化，降低科研人员的使用门槛。

与纯粹的研究型项目不同，PhysicsNeMo 从一开始就强调生产级质量：完整的单元测试、pre-commit 代码规范、语义版本控制、详细的 API 文档，以及从 v1.x 到 v2.0 的完整迁移指南。这种工程化水准在学术开源项目中极为罕见，体现了 NVIDIA 对这个项目的战略定位。

核心功能：24 种前沿架构，一站式管理

PhysicsNeMo 最大的特点是将大量分散在各论文学库中的网络架构统一封装，避免了研究人员重复造轮子。以下是重点模块：

神经网络算子（Neural Operators）：这是 Physics-ML 的核心。传统神经网络处理有限维空间的数据（如固定大小的图片），而 Neural Operator 处理函数空间——比如整个流场的速度场分布。最典型的包括：

• FNO（Fourier Neural Operator）：在频域做全局卷积，是 Darcy 流、弹性力学等方程求解的标准 baseline。PhysicsNeMo 的 fno 模块包含了标准 FNO 和嵌套 FNO（nested FNO）等变体。
• DeepRNN：处理随时间演化的 PDE 系统，如 Navier-Stokes 方程的时间序列预测。
• U-Net：源自图像分割的网络，在 CFD 可逆模拟中表现出色。

图神经网络（GNN）模块：物理场在非规则网格上定义时，MeshGraphNet 成为主流方案。PhysicsNeMo 支持 DGL 和 PyG 两种后端，还提供了 DGL→PyG 迁移指南，降低了切换成本。

扩散模型（Diffusion Models）：2023年后扩散模型在科学计算领域爆发，PhysicsNeMo 提供了 DiT、Diffusion UNet、TopoDiff 等模块，专门处理分子动力学、药物设计中的生成建模问题。

天气预报专项：GraphCast（DeepMind）、Pangu-Weather（华为云盘古）、FengWu（大模型气象预报）等多个 SOTA 天气模型均已集成，这在开源框架中极为少见。

技术架构：为何选择 PhysicsNeMo 而非自己造轮子？

从技术角度看，PhysicsNeMo 的架构设计有几处值得关注的创新：

1. warp-lang 深度集成：NVIDIA Warp 是 NVIDIA 官方的 Python+CUDA 编程框架，专门用于物理仿真。它提供了与 PyTorch 互补的 GPU 能力——Warp 更适合刚性的、结构化的物理计算（如刚体碰撞、粒子追踪），而 PyTorch 更适合数据驱动的神经网络训练。PhysicsNeMo 通过 warp-lang >= 1.13 将两者打通，这是纯 PyTorch 项目无法实现的。

2. Hydra 配置管理：所有实验参数通过 Hydra 管理，支持命令行覆盖、多配置组合成、配置继承。这让同一套代码在不同实验设置间切换变得极为便捷，也是现代 ML 工程的标准实践。

3. 域分解并行训练：对于超大规模问题（如全球天气预报），单卡无法容纳整个模型。PhysicsNeMo 提供了 domain_parallel 模块，支持将物理域分割到多 GPU 并行计算，这是生产级部署的关键能力。

4. 多存储后端：通过 s3fs 和 GPFS 支持，数据可以直接从云存储或高性能文件系统读取，无需提前拉到本地。这对大型科学数据集（一个数据集往往数十 GB）意义重大。

5. 部署工具链：deploy 模块支持 ONNX 导出和模型序列化，方便将训练好的模型部署到推理服务中。

上手体验：安装与运行

安装方式：

pip install nvidia-physicsnemo
# 或从源码安装
git clone https://github.com/NVIDIA/physicsnemo
cd physicsnemo
pip install -e .

源码安装需要 Python >= 3.11，并且必须安装 warp-lang >= 1.13 和 PyTorch >= 2.10。CUDA 版本推荐 12.8 或 13。

GPU 硬件需求：强烈推荐 NVIDIA RTX 3090/4090 或 A100/H100 等高端 GPU。框架大量使用 CUDA kernels，CPU 运行几乎不可行。最低显存需求约 8GB（小型实验），完整天气模型训练需要 24GB+。

示例运行：examples/ 目录下有 15+ 个完整的示例，涵盖 CFD、分子动力学、地质勘探、核工程等场景。每个示例都有独立 README，标注了数据集来源、运行步骤和预期结果。对于刚入门的用户，建议从 examples/cfd/darcy_fno 开始，这个例子数据量小、训练快，能快速验证环境配置是否正确。

局限与挑战：不完美之处

无 Web UI：PhysicsNeMo 是纯 Python 框架，没有 Gradio/Streamlit 等 Web 界面。所有操作需要通过 Python 代码或命令行调用。这对科研人员问题不大，但对企业用户来说，缺少可视化交互界面是一大遗憾。

安装复杂度：虽然提供了 Dockerfile，但不支持 docker-compose 一键部署。手动安装需要处理 warp-lang 与 PyTorch CUDA 版本的兼容性，以及 uv 依赖管理器的使用，对不熟悉 Python 生态的用户有一定门槛。

v2.0 破坏性升级：官方正在推进 v2.0 重大版本升级，大量 API 与 v1.x 不兼容，已有项目迁移需要参考迁移指南修改代码。这对已经基于 v1.x 构建生产系统的用户带来维护负担。

文档访问障碍：官方文档托管在 NVIDIA 官网（docs.nvidia.com），部分地区的网络访问可能受限，开源社区依赖 GitHub README 作为主要文档入口。

行业意义：从学术研究到工业落地的桥梁

PhysicsNeMo 的出现，标志着 Physics-ML 从论文走向生产的重要一步。在此之前，研究人员要复现一篇论文的代码，通常需要几周时间处理数据预处理、模型实现、CUDA 优化等工程工作。PhysicsNeMo 将这些工作打包成可直接调用的模块，让科研人员可以把精力集中在物理建模本身。

从增长趋势看，PhysicsNeMo 获得了超过 2900 颗 GitHub Stars 和 689 个 forks，有 28 个 open issues（活跃度高），topics 涵盖 deep-learning、physics、pytorch、nvidia-warp 等多个方向。这些数据表明项目已经度过了"概念验证"阶段，正在进入广泛采用的成长期。

对于科研人员：PhysicsNeMo 是快速验证研究想法的理想平台。预置架构足够多，调参空间足够大，可以省去大量工程实现的时间。

对于工程团队：Dockerfile 提供了可复现的构建环境，ONNX 导出支持生产部署，Hydra 配置管理让实验管理规范可控。虽然缺少 Web UI，但通过 Python API 封装自己的服务层并不困难。

对于 NVIDIA 生态：PhysicsNeMo 与 Warp、Modulus 等产品形成互补，覆盖了从物理仿真（Modulus/Warp）到数据驱动建模（PhysicsNeMo）的完整工具链，进一步强化了 NVIDIA 在科学计算 AI 领域的垄断性优势。