はじめてのＮＶＩＤＩＡ　Ｍｏｄｕｌｕｓ　Ｐｈｙｓｉｃｓ‐ＭＬ物理に基づいた機械学習による工学シミュレーション　「物理法則を活用したニューラルネットワーク」で効率よく解析！

ものづくりにおける「数値解析シミュレーション」には「計算規模の拡大化」「設計時間の短縮」「解析条件の複雑化」など、多くの課題があり、「目的」や「条件」による適切な選択が不可欠です。それらを解決する手段として、「ＡＩ」とりわけ「物理法則を活用したニューラルネットワーク」（ＰＩＮＮｓ）が注目されています。本書は、「ＮＶＩＤＩＡ　Ｍｏｄｕｌｕｓ」を使って「ＰＩＮＮｓ」を実現するための方法を解説します。

ものづくり、特に「CAE」（Computer Aided Engineering：コンピュータを利用した工学支援システムにおいては、「開発・設計・生産・管理」の様々な場面で、問題解決や意思決定が必要とされ、これらの実現には、目的や条件によって適切な手法を選択することが不可欠です。

本書は、「CAE」と「AI」（Artificial Intelligence：人工知能）を融合した、新技術「Physics-informed Machine Learning」(Physics-ML)
の中で、特に「Physics Informed Neural Networks」(PINNs：物理法則に基づいた深層学習)に興味をもつ技術者が「NVIDIA Modulus」
を活用して、効率的な「PINNs」の実現することを目的としています。

「AI」と「CAE」に関心があり、Ubuntuのコマンドライン操作に対応できて、Pythonの基礎的な知識があれば、「NVIDIA Modulus」による「PINNs」を実行できるようになります。

目次

■NVIDIA Modulusの概要説明と導入方法
・ものづくりでのPINNsの期待と実現
・NVIDIA ModulusによるPINNsの概要と特徴
・NVIDIA Modulusの導入方法と動作確認

■基本例題：動作確認例題と微分方程式の記述
・Lid Driven Cavity Background」：
2次元矩形空間でのキャビティ流れの確認
・「1D Wave Equation」：1次元波動方程式の解法

■構造例題：質点系振動問題と弾性構造物の挙動
・「Coupled Spring Mass ODE System」：
多質点系での力学的振動問題の解法
・「Linear Elasticity」：
3次元構造物の弾性挙動の分析

■流体例題：共役熱伝導解析と工学的熱伝導問題
・「Conjugate Heat Transfer」：
共役熱伝導問題の解析手順
・「Industrial Heat Sink」：
工学的熱伝導問題の解析手順

本の帯に関して

帯つきでの出荷はお約束しておりません。
商品ページに、帯のみに付与される特典物等の表記がある場合でも、確実に帯つきでの出荷はお約束しておりません。
また、帯は商品の一部ではなく「広告扱い」のため、帯の有無・破損による交換や返品は承っておりません。

版・表紙について

版・表紙（カバー）のご指定は承っておりません。ご注文いただくタイミングによっては、お届けする商品の版や表紙が商品ページ上のものとは異なる場合がございます。
また、初版にのみにお付けしている特典（初回特典、初回仕様特典）がある商品は、商品ページに特典の表記がされている場合でも、無くなり次第終了となります。