Sustituye la espera,
no al solver.

Nautilus es un surrogate neuronal de CFD: aprende de las corridas que tu laboratorio ya hizo y predice variantes nuevas sin volver a la cola del solver. En una caja junto a tu banco de ensayo, sin que tus datos salgan de tu red.

Sección de ensayo · agua · U∞ →

Esto es un solver Navier-Stokes corriendo ahora en tu GPU. No es Nautilus: es la física que Nautilus aprende a predecir, con tu geometría y tus corridas.

Latencia de Nautilus
82 ms · DGX Spark
Error frente a CFD
caudal 0,7 % · ΔP 0,5 %
Solver del canal
— fps · malla —
  • EnSight Goldingesta
  • CGNSingesta
  • STAR-CCM+exporta EnSight
  • Ansys Fluentexporta CGNS
  • OpenFOAMCFD de referencia
  • NVIDIA PhysicsNeMoentrenamiento
  • MeshGraphNetmodelo sobre malla
  • FNOlínea base
  • DGX Sparkon-prem
  • RTXworkstation
  • AWS · Azuretu nube

Cada variante espera su turno en la cola del solver.

Una corrida de CFD por variante cuesta minutos u horas de licencia y de cola. Por eso se exploran cinco variantes cuando se querrían explorar quinientas.

Nautilus aprende de las corridas que ya hiciste y responde en el navegador mientras mueves un parámetro. El solver queda para validar las pocas variantes que importan.

Imagen generada

De las corridas que ya pagaste a un modelo que responde mientras piensas.

Lo que ya tienes: Corridas de CFD (EnSight Gold o CGNS, desde STAR-CCM+, Fluent u OpenFOAM); Una caja en el laboratorio (Una NVIDIA DGX Spark o una RTX, o tu nube); Un navegador (Nada que instalar en el puesto del ingeniero).

  1. EnSight · CGNS

    Exportas

    Las corridas que tu laboratorio ya hizo salen del solver como EnSight Gold o CGNS. Sin tocar tu licencia ni re-simular nada.

  2. checkpoint .mdlus

    Entrenamos

    Un surrogate PhysicsNeMo aprende tu geometría paramétrica dentro de tu red. Publicamos su error sobre casos que nunca vio.

  3. campo u · p

    Exploras

    Mueves un parámetro en el navegador y el campo de flujo responde. Las pocas variantes que importan vuelven al solver para validarse.

Tus datos no salen de tu red.

Nautilus corre donde ya está tu simulación. El entrenamiento consume exports de tu solver: nadie necesita entrar a tu entorno ni usar tu licencia. En la Spark o en la RTX, si se cae internet, sigue funcionando.

Imagen generada
Una DGX Spark en el laboratorio
Docker, NVIDIA Container Toolkit y una sesión de NGC. Un comando levanta el resto.
Una RTX en una workstation
La misma imagen en x86, sobre la GPU que ya tienes.
Tu AWS o tu Azure
Imagen OCI multi-arquitectura, aarch64 y x86. Sin depender de ningún SaaS.
Camino a producción
El mismo PhysicsNeMo, sobre NVIDIA AI Enterprise.

Lo que ya medimos, tal cual.

Publicamos esta lista antes de tener resultados. Hoy cada celda tiene un número medido sobre un rociador paramétrico sintético (OpenFOAM, 300 casos), en casos que el modelo nunca vio. La velocidad dentro de la cámara es nuestro punto débil y la dejamos a la vista. Con tus corridas, se vuelve a medir.

MedidaObjetivoMétodoValor
Latencia de inferencia por varianteFase 3< 100 msDGX Spark GB10, vía la API74–86 ms
Tiempo de solver por caso de referenciaFase 1—OpenFOAM v2512, DGX Spark, 8 núcleos, 56–112 k celdas183 s mediana
Error L2 relativo por campoFase 2se publica tal cual30 casos no vistosp 3,6 % · u 22,6 % · k 15,5 % · O₃ 26,5 %
Error en caudal frente a CFDFase 2se publica tal cual10 % del dataset reservado0,7 % (máx. 4,2 %)
Error en caída de presión frente a CFDFase 2se publica tal cual10 % del dataset reservado0,45 % (máx. 2,8 %)

Qué prometemos y qué no.

Sí prometemos

  • Predicción de campos y escalares de ingeniería en milisegundos, con los números medidos y publicados.
  • Entrenamiento sobre tus corridas existentes, ingeridas como EnSight o CGNS. Sin tocar tu licencia ni entrar en tu entorno.
  • Métricas de error transparentes contra el CFD de referencia, sobre casos que el modelo no vio.
  • Exploración interactiva en el navegador. Nada que instalar en el puesto del ingeniero.
  • On-prem o en tu nube, la misma imagen OCI multi-arquitectura.

No prometemos

  • Reemplazar a tu solver ni certificar resultados. La validación final sigue siendo el solver y el laboratorio.
  • Extrapolar fuera del rango de parámetros entrenado. Fuera de rango, te lo dice.
  • Química ni multifásico completo en la prueba de concepto: los escalares se transportan de forma pasiva.
  • Omniverse en ARM64. El rendering Omniverse es opcional y sólo en x86.
  • Casos de éxito. Somos nuevos y preferimos decirlo.

¿Tienes corridas de CFD acumuladas que nadie vuelve a mirar?

Ése es exactamente el dataset que Nautilus necesita. Cuéntanos qué simulas y con qué solver, y te decimos con franqueza si esto te sirve o no.