Substitua a espera,
não o solver.

O Nautilus é um surrogate neural de CFD: aprende com as rodadas que o seu laboratório já fez e prevê novas variantes sem voltar para a fila do solver. Em uma máquina ao lado da sua bancada de ensaio, sem que os seus dados saiam da sua rede.

Seção de ensaio · água · U∞ →

Isto é um solver Navier-Stokes rodando agora na sua GPU. Não é o Nautilus: é a física que o Nautilus aprende a prever, com a sua geometria e as suas rodadas.

Latência do Nautilus
82 ms · DGX Spark
Erro em relação ao CFD
vazão 0,7% · ΔP 0,5%
Solver do canal
— fps · malha —
  • EnSight Goldingestão
  • CGNSingestão
  • STAR-CCM+exporta EnSight
  • Ansys Fluentexporta CGNS
  • OpenFOAMCFD de referência
  • NVIDIA PhysicsNeMotreinamento
  • MeshGraphNetmodelo sobre malha
  • FNOlinha de base
  • DGX Sparkon-premises
  • RTXworkstation
  • AWS · Azurea sua nuvem

Cada variante espera a sua vez na fila do solver.

Uma rodada de CFD por variante custa minutos ou horas de licença e de fila. Por isso se exploram cinco variantes quando se gostaria de explorar quinhentas.

O Nautilus aprende com as rodadas que você já fez e responde no navegador enquanto você move um parâmetro. O solver fica para validar as poucas variantes que importam.

Imagem gerada

Das rodadas que você já pagou a um modelo que responde enquanto você pensa.

O que você já tem: Rodadas de CFD (EnSight Gold ou CGNS, vindas do STAR-CCM+, Fluent ou OpenFOAM); Uma máquina no laboratório (Uma NVIDIA DGX Spark ou uma RTX, ou a sua nuvem); Um navegador (Nada para instalar na estação do engenheiro).

  1. EnSight · CGNS

    Você exporta

    As rodadas que o seu laboratório já fez saem do solver como EnSight Gold ou CGNS. Sem mexer na sua licença nem re-simular nada.

  2. checkpoint .mdlus

    Nós treinamos

    Um surrogate PhysicsNeMo aprende a sua geometria paramétrica dentro da sua rede. Publicamos o erro dele em casos que ele nunca viu.

  3. campo u · p

    Você explora

    Você move um parâmetro no navegador e o campo de escoamento responde. As poucas variantes que importam voltam para o solver para validação.

Os seus dados não saem da sua rede.

O Nautilus roda onde a sua simulação já está. O treinamento consome exports do seu solver: ninguém precisa acessar o seu ambiente nem usar a sua licença. Na Spark ou na RTX, se a internet cair, continua funcionando.

Imagem gerada
Uma DGX Spark no laboratório
Docker, NVIDIA Container Toolkit e um login no NGC. Um comando sobe o resto.
Uma RTX em uma workstation
A mesma imagem em x86, na GPU que você já tem.
A sua AWS ou Azure
Imagem OCI multi-arquitetura, aarch64 e x86. Sem depender de nenhum SaaS.
Caminho para produção
O mesmo PhysicsNeMo, sobre NVIDIA AI Enterprise.

O que medimos, do jeito que saiu.

Publicamos esta lista antes de ter resultados. Hoje cada célula tem um número medido em um chuveiro paramétrico sintético (OpenFOAM, 300 casos), em casos que o modelo nunca viu. A velocidade dentro da câmara é o nosso ponto fraco, e a deixamos à vista. Com as suas simulações, mede-se de novo.

MedidaMetaMétodoValor
Latência de inferência por varianteFase 3< 100 msDGX Spark GB10, via API74–86 ms
Tempo de solver por caso de referênciaFase 1—OpenFOAM v2512, DGX Spark, 8 núcleos, 56–112 mil células183 s mediana
Erro L2 relativo por campoFase 2publicado como medido30 casos não vistosp 3,6% · u 22,6% · k 15,5% · O₃ 26,5%
Erro de vazão em relação ao CFDFase 2publicado como medido10% do dataset reservado0,7% (máx. 4,2%)
Erro de perda de carga em relação ao CFDFase 2publicado como medido10% do dataset reservado0,45% (máx. 2,8%)

O que prometemos, e o que não.

Prometemos

  • Previsão de campos e de grandezas de engenharia em milissegundos, com os números medidos e publicados.
  • Treinamento sobre as suas rodadas existentes, ingeridas como EnSight ou CGNS. Sem mexer na sua licença nem entrar no seu ambiente.
  • Métricas de erro transparentes em relação ao CFD de referência, em casos que o modelo não viu.
  • Exploração interativa no navegador. Nada para instalar na estação do engenheiro.
  • On-premises ou na sua nuvem, a mesma imagem OCI multi-arquitetura.

Não prometemos

  • Substituir o seu solver nem certificar resultados. A validação final continua sendo o solver e o laboratório.
  • Extrapolar fora da faixa de parâmetros treinada. Fora da faixa, ele avisa.
  • Química nem multifásico completo na prova de conceito: os escalares são transportados de forma passiva.
  • Omniverse em ARM64. A renderização Omniverse é opcional e só em x86.
  • Casos de sucesso. Somos novos e preferimos dizer isso.

Tem rodadas de CFD acumuladas que ninguém volta a olhar?

Esse é exatamente o dataset de que o Nautilus precisa. Conte o que você simula e com qual solver, e diremos com franqueza se isto serve para você ou não.