NVIDIA: digitális iker segíthet AI-gyárak tervezésében

Közös modellbe rendezett tervezési adatok

Az NVIDIA Developer október 21-i bejegyzése szerint az AI-gyár digitális ikrének elkészítéséhez a fejlesztőknek helyszínrajzokat, berendezésmodelleket és mérnöki követelményeket kell egységes modellbe rendezniük. Ez a modell ellenőrizhető és módosítható, így a csapatok különböző elrendezéseket vizsgálhatnak, áthelyezhetik a berendezéseket, majd a terveket mérnöki felülvizsgálatra és későbbi szimulációra készíthetik elő.

Az NVIDIA Omniverse DSX Blueprint az NVIDIA DSX Sim része. Referencia-digitálistwin-eszközöket, mintaszkripteket és munkafolyamatokat kínál AI-gyárak digitális ikreinek fejlesztéséhez. Az OpenUSD-re és az NVIDIA Omniverse könyvtáraira épül, és SimReady eszközökkel, valamint mérnöki szimulációs eszközökkel kapcsolható össze.

A bemutatott folyamatban egy frontier AI-modell ügynöki környezetben dolgozik. Ez a szoftver kezeli a kontextust, az utasításokat és az eszközhívásokat. A fejlesztők ismételhető feladatokat és AI-gyári szaktudást rögzítő készségeket adhatnak meg, majd modellezési és elemzési műveleteket kapcsolhatnak hozzá, többek között a Model Context Protocolon keresztül, ahol ez támogatott.

Voyager ihlette campusmodell

Az NVIDIA példájában a Santa Clara-i központ Voyager épülete szolgált építészeti inspirációként egy, a DSX referencia-tervén alapuló AI-gyári campushoz. A bemenetek között DSX 3D-modellek szerepeltek adatcsarnokokról, közműépületekről, alállomásokról, generátorokról, hűtőberendezésekről, járművekről és növényzetről.

A csapat a Voyager különböző légi és földi nézeteiből származó képeket is felhasználta a tető, a homlokzat, a napelemfedések és a tájrendezés megtervezéséhez. A DSX referencia-terv PDF-fájljai a campus elrendezését, az első ütem részleteit, az épületeket, az utakat, a közműterületeket és a hozzáférési pontokat írták le.

A követelménydokumentumok között építészeti rajzok, formai tanulmányok, tervezési alapdokumentumok és helyiségelrendezések voltak. A kiválasztott helyszín környezetének kialakításához az amerikai USGS légifelvételeit és domborzati adatait használták. Ezekből szerkeszthető OpenUSD campusmodell állt össze, amely egyesítette a DSX referencia-tervét a Voyager által ihletett építészeti homlokzattal.

Az ügynök külön rétegben hozza létre a módosításokat

A bemutatóban az AI-ügynök USD Content Agents segítségével generálta egy napelemfedés geometriáját és anyagait, majd a Voyager építészeti referenciái alapján finomította azt. Az így létrehozott elem szerkeszthető maradt, és a meglévő épületek, illetve berendezések mellett lehetett ellenőrizni.

A napelemfedés egyelőre koncepcionális terv volt. Az NVIDIA szerint mérnöki csapatnak kell ellenőriznie a méreteit, szerkezeti tulajdonságait és szimulációra való alkalmasságát. Az új és az újrahasznosított elemeket additív USD-rétegekben egyesítették, így a módosítások elkülönültek a forráseszközöktől.

Az Omniverse RTX nézetében a csapat a napelemfedést a campus környezetében vizsgálhatta, majd a tervezési döntések változásakor módosíthatta a modellt. A forrásokhoz való visszakövethetőség segíthet annak megértésében, hogy egy épület elhelyezése melyik helyszínrajzból, a homlokzat kialakítása pedig melyik építészeti referenciából származik. A méretpontosságot ugyanakkor a vonatkozó rajzokkal, előírásokkal és helyszíni korlátokkal kell ellenőrizni.

Kapacitástervezés rögzített energia-keret mellett

A campusmodell egy későbbi kapacitástervezési vizsgálat alapja is lehet. Ennek egyik kérdése, hogyan konfigurálható egy AI-gyári csarnok rögzített energia-kereten belül. A számítás a modellezett elrendezést a számítási kapacitással, az elektromos és a hűtési követelményekkel kapcsolná össze, hogy többféle konfigurációt lehessen összevetni.

Az NVIDIA egy szemléltető Vera Rubin NVL72 következtetési összehasonlítást említ. Ebben a MaxP, vagyis a legmagasabb statikus GPU-szintű energia-beállítás, áll szemben a DSX MaxLPS megközelítésével. Utóbbi olyan AI-gyári tervezési és üzemeltetési keretrendszer, amely a létesítménytervezést, a dinamikus energiaelosztást és a wattokra vetített teljesítmény optimalizálását hangolja össze.

A munkafolyamat a SimReady Foundation specifikációira és a Hugging Face-en elérhető SimReady Central Libraryre is támaszkodhat. Ezek az eszközadatok szimulációs felhasználásra való felkészültségének vizsgálatát, illetve szimulációra kész OpenUSD-elemek újrahasznosítását támogatják a teljesítmény- és hűtéselemzésben. A folyamatba a Dassault Systèmes, a PTC, a Cadence és a Siemens alkalmazásai is bekapcsolhatók, a követelménykezeléstől és a CAD-adatoktól a számítási folyadékdinamikán át a termikus szimulációig.