PulseAugur
中
实时 20:03:29
实体 NVIDIA PhysicsNeMo

NVIDIA PhysicsNeMo

PulseAugur coverage of NVIDIA PhysicsNeMo — every cluster mentioning NVIDIA PhysicsNeMo across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
6
90 天内 7
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 1
层级分布 · 90 天
主题
情绪 · 30 天

3 天有情绪数据

最近 · 第 1/1 页 · 共 7 条
  1. RESEARCH · CL_350733 ·

    TensorWorld 为物理驱动的 AI 模型融资超1亿美元

    成立仅四个月的初创公司 TensorWorld 已获得超过1亿美元的融资,用于开发能够理解和预测物理世界交互的 AI 模型。该公司专注于物理驱动的方法,从数据中学习物理定律,而不是仅仅依赖视觉真实性。他们的技术旨在弥合 AI 数字能力与其在物理世界中的应用之间的差距,解决机器人、自动驾驶和工业模拟中的挑战。

  2. SIGNIFICANT · CL_348337 ·

    NVIDIA扩大在韩国各行业的AI合作

    NVIDIA正深化与韩国的合作,以推进该国的实体AI和主权AI生态系统。此次合作涵盖多个行业,包括与Samsung Electronics在半导体制造领域、与Kakao Mobility和Kia在自动驾驶领域,以及与LG Electronics在机器人领域。NVIDIA还与科学和ICT部(MSIT)合作,利用NVIDIA Nemotron和OpenShell等开放模型和平台,加强AI基础设施、人才培养和安全AI代理的创建。

  3. TOOL · CL_339385 ·

    NVIDIA AI 加速半导体工厂流程和工程决策

    NVIDIA 正在将 AI 整合到半导体制造流程中,以加速芯片设计和生产。该公司的技术,如 NVIDIA cuDSS 和 PhysicsNeMo,可将复杂的模拟速度提高高达 35 倍,使工程师能够更有效地探索更多替代方案并预测工艺行为。这种被称为“AI 定义工厂”的 AI 驱动方法旨在减少与物理试验相关的成本和时间,使工程师能够在整个芯片生命周期中做出更快、更明智的决策。

  4. TOOL · CL_314875 ·

    NVIDIA Earth-2通过开放AI模型扩展,支持本地化天气预测

    NVIDIA正在通过新的开放AI模型和工具扩展其Earth-2计划,这些模型和工具专为本地化天气和气候预测而设计。诸如StormScope EU之类的模型可以根据特定的区域数据进行定制,从而实现更准确的短期预报和环境建模。包括AXA、Vaisala Xweather和TotalEnergies在内的多家组织已将其用于从飓风风险评估、太阳能预测到空气质量监测等各种应用。

  5. RESEARCH · CL_310120 ·

    NVIDIA 与西班牙 BSC 合作,通过超级计算支持人工智能初创公司

    NVIDIA 正与巴塞罗那超级计算中心 (BSC) 合作,在西班牙启动 AI Factory 加速器计划。该计划利用 NVIDIA 的加速计算和人工智能技术,为初创公司提供主权计算资源、技术支持和培训。包括 Qatium、OneCareAI 和 Avatia 在内的多家初创公司已在使用该计划以及 MareNostrum 5 和 NVIDIA NIM 等 NVIDIA 平台,以开发跨越水资源管理、医疗保健和制药等多个领域的创新人工智能解决方案。

  6. SIGNIFICANT · CL_295574 ·

    NVIDIA 通过开放模型和计算访问促进欧洲人工智能科学 · 跟踪 2 个来源

    NVIDIA 正在通过提供先进的人工智能工具、模型和计算资源的访问权限来扩大对欧洲科学界的支持。这项倡议是欧盟委员会科学人工智能赋能者倡议的一部分,旨在降低研究人员、初创公司和小型实验室的门槛。NVIDIA 将通过其深度学习学院发布 250 多个开放模型和 1,400 个开源软件项目,以及新的培训材料。该公司还与欧洲云合作伙伴和国家人工智能工厂合作,提供对主权计算基础设施的访问。

  7. TOOL · CL_156478 ·

    新研究论文比较AI碰撞模拟不确定性方法

    一篇新研究论文比较了两种不确定性量化方法——蒙特卡洛Dropout和深度集成——在AI驱动的碰撞模拟代理模型上的应用。该研究利用NVIDIA PhysicsNeMo和一个开源保险杠梁基准,引入了具体Dropout作为一种端到端学习Dropout率的方法。研究结果表明,在准确性和校准性之间存在权衡,这挑战了深度集成方法在代理模型不确定性量化方面总是更优的观点。