はじめての NVIDIA Physics NeMo

　CAEの現場では、有限要素法や数値流体力学によって高度な解析が可能になる一方、計算時間や計算コスト、解析条件を変えるたびに再計算が必要になることなどが課題となっています。こうした課題への新たなアプローチとして注目されているのが、物理シミュレーションと機械学習を組み合わせるSciML（科学的機械学習）です。

　本書は、NVIDIAが提供するオープンソースのAIフレームワーク「NVIDIA PhysicsNeMo」と「PhysicsNeMo Sym」を用いて、CAEとAIを結び付けるための基礎知識から環境構築、公式例題の実行、独自の構造解析までを段階的に解説します。CAEや数値解析の知識をもち、AIによる解析の高速化やサロゲートモデルの活用に関心がある技術者、研究者、工学系学生を主な対象とし、機械学習やLinux、PhysicsNeMoの経験がなくても取り組める構成です。理論だけで終わらず、PC上で環境を整え、コードを実行し、得られた結果を確認するところまでを一貫して扱います。

　第1章では、CAEが抱える計算負荷や設計探索上の課題を整理し、AI for Science、SciML、サロゲートモデルの考え方を紹介します。さらに、本書で扱うDNN、GNN、MeshGraphNet、FNO、PINNsの特徴と、NVIDIA PhysicsNeMoがこれらの技術をどのように支援するのかを概観します。

　第2章では、Windows 11上のWSL2とUbuntu 24.04を用いて、GPUを利用できる実行環境を構築します。Dockerイメージを利用する方法と、Pythonパッケージをpipで導入する方法の両方を取り上げ、必要なハードウェア、NVIDIA GPUドライバ、CUDA、PyTorch、仮想環境、リポジトリの準備から動作確認までを、コマンドと実行結果に沿って説明します。

　第3章では、NVIDIAが公開する基本例題を動かし、スクリプトの構成、学習、推論、結果の確認方法を学びます。PhysicsNeMo Symによる上部壁駆動キャビティ流れと1次元波動方程式、FNOによるDarcy流れ、MeshGraphNetによる渦放出を扱い、PINNs、ニューラルオペレータ、GNNを用いた物理解析の流れを確認します。

　第4章では、著者独自の構造解析例題へ進みます。FEMの解析結果を教師データとするDNNおよびMeshGraphNetによる2次元トラス、FNOによる1次元梁、支配方程式と境界条件を学習に組み込むPINNsによる片持ち梁を通して、モデルの定義、データ作成、学習、推論、解析結果との比較までを実践します。

　公式例題を動かすだけでなく、CAEで身近なトラスや梁へ展開することで、PhysicsNeMoを実際の工学問題へ応用するための道筋が見える一冊です。従来のCAEを置き換えるのではなく、その解析結果や物理モデルをAIとどのように組み合わせるかを、作業を通して理解できます。