NAPAI計畫-SIGRobot#5-Physical Simulation: Fundamentals for Physical AI

課程形式

線上

課程名稱

NAPAI計畫-SIGRobot#5-Physical Simulation: Fundamentals for Physical AI (779)

課程編號

779

課程期間

2026-05-29 ~

老師

洪仕軒 (助理教授 / 國立清華大學)

課程類別

AI人工智慧

時數

3 (小時)

修課人數

0

標籤

Physical AI, 物理模擬, PINN, 物理資訊神經網路, 偏微分方程, 流體力學, 偏微分方程求解, Genesis物理引擎, 偏微分方程逆向求解, 神經網路訓練

簡介

Physical Simulation: Fundamentals for Physical AI

本課程專為探索 AI 與實體物理世界接軌的前沿技術而設計，全面涵蓋從「具身智能（Physical AI）」的宏觀趨勢到「物理資訊神經網路（PINN）」微觀演算法的實作架構。課程旨在引導學員理解如何透過數位雙生與高Scalable的物理模擬平台（如 NVIDIA PhysX、Genesis 等），在免除現實風險的前提下，為機器人注入適應複雜真實物理環境的控制能力。

本講座由國立清華大學資訊工程學系洪仕軒助理教授帶領，探討如何將物理學定律（如偏微分方程 PDE）作為約束條件融入神經網路的訓練中。學員將學習並比較資料驅動、物理驅動與混合驅動等不同核心範式的優劣，並實際掌握 NVIDIA平台內建的先進架構，包括傅立葉神經網路算子（FNO）與圖神經網路（GNN）在流體（如 Darcy Flow）、網格及粒子物理模擬上的尖端應用。這是一門結合前沿理論、業界開發套件與機器人控制應用的深度技術課程。

更多資訊--

NAPAI官網：https://napaincu.github.io

報名資訊

報名期間

開始: 2026-09-15

總人數限制

無限制

其他資訊

承辦人

林瑞雅 / 網路學習科技研究所碩士班

葉家綸 / 土木工程學系

張珀瑞 / 土木工程學系

開課單位

教學發展中心

課程 QR code

https://ncuxms.ncu.edu.tw/course/779

課程教材

1.
具身智能趨勢與物理模擬技術的核心演進
本段影片字幕主要介紹「具身智能（Physical AI）」的核心概念與發展趨勢。內容從輝達（NVIDIA）黃仁勳在 GDC 大會上提出的 AI 演進藍圖切入，說明 AI 的下一步即是進入物理世界的 Physical AI。課程闡述了在真實世界訓練機器人的高風險與局限性，進而帶出利用「數位雙生（Digital Twin）」與「物理模擬（Physics Based Simulation）」來進行機器人強化學習（Reinforcement Learning）與低階控制（Low-Level Control）的核心技術。此外，內容也評估了不同物理模擬軟體（如高度精準但耗時的 ANSYS，以及適用於規模化與互動式機器人訓練的 NVIDIA PhysX 與 Genesis 引擎）的應用場景。
1. 1.1
  58:19
  
  NAPAI SIGRobot#5 part1 Physical Simulation: Fundamentals for Physical AI (20260529)
2.
物理資訊神經網路（PINN）架構與 NVIDIA Physics Nemo 實作解析
本段影片字幕深入探討「物理資訊神經網路（PINN）」與物理方程求解的架構與實作方法。內容詳細分析了三大類物理 AI 訓練驅動方式：資料驅動（Data-Driven）、物理驅動（Physics-Driven / Physicons Driver）以及結合兩者優勢的混合模式（Hybrid），並逐一評估其在偏微分方程（PDE）約束、資料量需求、過擬合風險及實作複雜度上的優缺點。最後，本段著重介紹了 NVIDIA 的 Physics Nemo 開發套件（如核心模組、支援 PDE 描述的PhysicNemo-Symbolic 子模組），並針對用來學習物理映射關係的傅立葉神經網絡算子（FNO）以及適合網格與粒子模擬的圖神經網路（GNN）等內建模型與資料處理套件進行了細緻的解析。
1. 2.1
  44:01
  
  NAPAI SIGRobot#5 part2 Introduction to PhysicsNeMo (20260529)

課程資訊

課程資訊