多硬件支持

飞桨生态的繁荣离不开开发者和用户的贡献，我们非常欢迎为飞桨的多硬件适配贡献更多的模型。

1. 硬件支持列表

当前 PaddleScience 中对于各硬件适配模型的列表汇总如下（不包含仅在 AIStudio 上的案例）

数学(AI for Math)技术科学(AI for Technology)材料科学(AI for Material)地球科学(AI for Earth Science)化学科学 (AI for Chemistry)

问题类型	案例名称	NVIDIA	海光	太初	沐曦
亥姆霍兹方程	SPINN(Helmholtz3D)	✅		✅	✅
相场方程	Allen-Cahn	✅			✅
微分方程	拉普拉斯方程	✅		✅	✅
微分方程	伯格斯方程	✅			✅
微分方程	非线性偏微分方程	✅			✅
微分方程	洛伦兹方程	✅		✅	✅
微分方程	若斯叻方程	✅		✅	✅
算子学习	DeepONet	✅		✅	✅
积分方程	沃尔泰拉积分方程	✅		✅	✅
光纤怪波	Optical rogue wave	✅		✅	✅
域分解	XPINN	✅		✅	✅
布鲁塞尔扩散系统	3D-Brusselator	✅
符号回归	Transformer4SR	✅

问题类型	案例名称	NVIDIA	海光	太初	沐曦
汽车表面阻力预测	DrivAerNet	✅			✅
一维线性对流问题	1D 线性对流	✅			✅
非定常不可压流体	2D 方腔浮力驱动流	✅			✅
定常不可压流体	Re3200 2D 定常方腔流	✅			✅
定常不可压流体	2D 达西流	✅		✅	✅
定常不可压流体	2D 管道流	✅			✅
定常不可压流体	3D 颅内动脉瘤	✅			✅
定常不可压流体	任意 2D 几何体绕流	✅		✅	✅
非定常不可压流体	2D 非定常方腔流	✅		✅	✅
非定常不可压流体	Re100 2D 圆柱绕流	✅			✅
非定常不可压流体	Re100~750 2D 圆柱绕流	✅			✅
可压缩流体	2D 空气激波	✅			✅
通用流场模拟	气动外形设计	✅
流固耦合	涡激振动	✅			✅
多相流	气液两相流	✅			✅
流场高分辨率重构	2D 湍流流场重构	✅			✅
求解器耦合	CFD-GCN	✅			✅
受力分析	1D 欧拉梁变形	✅		✅	✅
受力分析	2D 平板变形	✅			✅
受力分析	3D 连接件变形	✅			✅
受力分析	结构震动模拟	✅			✅
受力分析	2D 弹塑性结构	✅			✅
受力分析和逆问题	3D 汽车控制臂变形	✅			✅
受力分析和逆问题	3D 心脏仿真	✅			✅
拓扑优化	2D 拓扑优化	✅			✅
热仿真	1D 换热器热仿真	✅			✅
热仿真	2D 热仿真	✅			✅
热仿真	2D 芯片热仿真	✅
算子学习	NeuralOperator	✅
汽车表面阻力预测	DrivAerNetPlusPlus	✅
求解器耦合	NSFNets	✅			✅
流场高分辨率重构	PhyCRNet	✅
求解器耦合	NSFNet4	✅

问题类型	案例名称	NVIDIA	海光	太初	沐曦
材料设计	散射板设计(反问题)	✅		✅	✅
材料设计	CGCNN	✅		✅

问题类型	案例名称	NVIDIA	海光	太初	沐曦
天气预报	Extformer-MoE 气象预报	✅		✅	✅
天气预报	FourCastNet 气象预报	✅		✅
天气预报	NowCastNet 气象预报	✅			✅
天气预报	GraphCast 气象预报	✅		✅	✅
天气预报	DGMR 气象预报	✅
地震波形反演	VelocityGAN 地震波形反演	✅			✅
交通预测	TGCN 交通流量预测	✅			✅
天气预报	EarthFormer 气象预报	✅			✅
交通预测	IOPS 交通流量预测	✅			✅
天气预报	Pang-Weather 气象预报	✅			✅
天气预报	FengWu 气象预报	✅			✅

问题类型	案例名称	NVIDIA	海光	太初	沐曦
化学分子生成	Moflow	✅			✅
化学反应预测	IFM	✅			✅

2. 运行指南

针对 PaddleScience 已支持的硬件，我们为每个硬件提供了一个运行示例，以1D 欧拉梁变形为例。

Note

请确保你已经在你的环境中正确安装了计算硬件对应的 PaddlePaddle，否则请参考 PaddleCustomDevice，将你的硬件代码接入到飞桨中。

NVIDIA海光太初沐曦

# 安装 PaddleScience
git clone -b develop https://github.com/PaddlePaddle/PaddleScience.git
# 若 github clone 速度比较慢，可以使用 gitee clone
# git clone -b develop https://gitee.com/paddlepaddle/PaddleScience.git

cd PaddleScience

# install paddlesci with editable mode
python -m pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple
cd examples/euler_beam

模型训练命令模型评估命令模型导出命令模型推理命令

python euler_beam.py

python euler_beam.py mode=eval EVAL.pretrained_model_path=https://paddle-org.bj.bcebos.com/paddlescience/models/euler_beam/euler_beam_pretrained.pdparams

python euler_beam.py mode=export

python euler_beam.py mode=infer

# 安装 PaddleScience
git clone -b develop https://github.com/PaddlePaddle/PaddleScience.git
# 若 github clone 速度比较慢，可以使用 gitee clone
# git clone -b develop https://gitee.com/paddlepaddle/PaddleScience.git

cd PaddleScience

# install paddlesci with editable mode
python -m pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple
cd examples/euler_beam

模型训练命令模型评估命令模型导出命令模型推理命令

python euler_beam.py

# 测试自己训练的模型
python euler_beam.py mode=eval EVAL.pretrained_model_path=$YOUR_MODEL_PATH
# 测试官方提供的预训练模型
python euler_beam.py mode=eval EVAL.pretrained_model_path=https://paddle-org.bj.bcebos.com/paddlescience/models/euler_beam/euler_beam_pretrained.pdparams

python euler_beam.py mode=export

python euler_beam.py mode=infer

# 安装 PaddleScience
git clone -b develop https://github.com/PaddlePaddle/PaddleScience.git
# 若 github clone 速度比较慢，可以使用 gitee clone
# git clone -b develop https://gitee.com/paddlepaddle/PaddleScience.git

cd PaddleScience

# install paddlesci with editable mode
python -m pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple
cd examples/euler_beam

模型训练命令模型评估命令模型导出命令模型推理命令

python euler_beam.py

# 测试自己训练的模型
python euler_beam.py mode=eval EVAL.pretrained_model_path=$YOUR_MODEL_PATH
# 测试官方提供的预训练模型
python euler_beam.py mode=eval EVAL.pretrained_model_path=https://paddle-org.bj.bcebos.com/paddlescience/models/euler_beam/euler_beam_pretrained.pdparams

python euler_beam.py mode=export

python euler_beam.py mode=infer INFER.device=sdaa

# 安装 PaddleScience
git clone -b develop https://github.com/PaddlePaddle/PaddleScience.git
# 若 github clone 速度比较慢，可以使用 gitee clone
# git clone -b develop https://gitee.com/paddlepaddle/PaddleScience.git

cd PaddleScience

# install paddlesci with editable mode
python -m pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple
cd examples/euler_beam

模型训练命令模型评估命令模型导出命令模型推理命令

python euler_beam.py

# 测试自己训练的模型
python euler_beam.py mode=eval EVAL.pretrained_model_path=$YOUR_MODEL_PATH
# 测试官方提供的预训练模型
python euler_beam.py mode=eval EVAL.pretrained_model_path=https://paddle-org.bj.bcebos.com/paddlescience/models/euler_beam/euler_beam_pretrained.pdparams

python euler_beam.py mode=export

python euler_beam.py mode=infer

3. 贡献指南

我们在公开的案例文档开头提供了基于 NVIDIA CUDA 训练的参考精度和对应的预训练模型权重，如果需要在指定的硬件上运行，可以参考如下步骤：

1. 如果你的硬件类型尚未接入 PaddlePaddle，则可以参考 PaddleCustomDevice 官方文档，接入飞桨框架。如果你的硬件类型已接入 PaddlePaddle，但尚未添加到 PaddleScience 的硬件支持列表中，请在 ppsci/utils/config.py 和 deploy/python_infer/base.py 中添加你的硬件类型。

2. 按照案例文档给出的步骤，准备好必要的数据集。

3. 如果模型文档中提供了模型训练命令，则需要在你的硬件上进行全量训练，保存训练日志，记录最佳模型精度以及最佳模型权重，这些内容一般会在训练过程中，自动保存在案例文件夹下。

4. 如果模型文档中提供了模型评估命令，则需要在你的硬件上对第三步所保存的最佳模型进行精度评估，保存评估日志，记录评估精度，这些内容一般会在评估过程中，自动保存在案例文件夹下。

   Note

   对于模型全量训练精度，默认要求最佳精度与 NVIDIA CUDA 精度对齐。具体地，如果案例精度指标为相对误差(如 L2 相对误差)，则指标不能超过参考值 ± 0.5%，如果案例精度指标为 MSE/MAE 一类的误差，则与参考值应保持在同一量级。

5. 如果模型文档中提供了模型导出和推理命令，请按照模型导出和推理命令，验证在新硬件上模型导出和推理是否能够正常执行并对齐 CUDA 的推理结果。

6. 上述步骤完成后，可以在 1. 硬件支持列表 的表格中，给对应模型添加你的硬件支持信息(✅)，然后提交 PR 到 PaddleScience。你的 PR 应该至少包括以下内容：

   • 在 2. 运行指南 中添加基于你的硬件环境使用模型的运行说明文档
   • 训练保存的最佳模型权重文件(.pdparams 文件)
   • 训练/评估等运行日志(.log 文件)
   • 验证模型精度所用到的软件版本，包括但不限于：
     • PaddlePaddle 版本
     • PaddleCustomDevice 版本(如果有)
   • 验证模型精度所用到的机器环境，包括但不限于：
     • 芯片型号
     • 系统版本
     • 硬件驱动版本
     • 算子库版本等

4. 更多文档

更多关于飞桨多硬件适配和使用的相关文档，可以参考：

• 飞桨使用指南
• 飞桨硬件支持
• PaddleCustomDevice