Az NVIDIA Omniverse DSX Blueprint és az OpenUSD alapú könyvtárak egy referenciaalapot kínálnak AI-gyárak digitális ikerpárjainak felépítéséhez. A módszer arra épít, hogy a helyszínrajzokat, berendezésadatokat és műszaki követelményeket egységes, szerkeszthető modellbe hozzák össze, amelyet fejlesztők és mérnökök megtekinthetnek, módosíthatnak és szimulációra előkészíthetnek. Frontier AI modellek ügynök-architektúrában segíthetnek az adatok összegyűjtésében, az OpenUSD jelenetek összeállításában és a változtatások alkalmazásában, miközben a mérnöki ellenőrzés biztosítja a dimenzionális és műszaki helyességet.
Mi a cél és miért fontos?
Egy AI-gyár digitális ikerpárjának létrehozása több szakterület konzisztens információira támaszkodik: épülettervek, infrastruktúra, helyszín-geometria, berendezési adatok és a teljesítményre vonatkozó követelmények mind befolyásolják a végső elrendezést. Egy szerkeszthető OpenUSD modell lehetővé teszi a tervezési alternatívák kipróbálását, a mérnöki visszajelzések beépítését és a szimulációk előkészítését, amelyek a későbbi döntéseket megalapozzák.
A DSX Blueprint és a bemeneti alapok
Az NVIDIA Omniverse DSX Blueprint, amely a NVIDIA DSX Sim részét képezi, referencia digitális iker-asseteket, mintákat és munkafolyamatokat biztosít fejlesztőknek. A Blueprint OpenUSD és az Omniverse könyvtárakra épülve segít összerakni épületek és berendezések modelljeit SimReady assetek felhasználásával, és összekapcsolni ezeket műszaki szimulációs eszközökkel.
A bemutatott példában a projekt bemenetei a következők voltak:
- DSX 3D modellek: adatcsarnok, központi műszaki épületek, transzformátorállomások, generátorok, hűtőberendezések, járművek és növényzet.
- Építészeti referenciák: a NVIDIA Santa Clara központi épülete, Voyager különböző légifelvételei és földi nézetei a tető, homlokzat, napelem-sátrak és táj kialakításának inspirálásához.
- Helyszínrajzok (DSX Reference Design): PDF-ek, amelyek a campus elrendezését és az első ütem részleteit írják le.
- Követelménydokumentumok: indexált gyűjtemény építészeti rajzokból, alapelvekből, helyiségelrendezésekből és egyéb feljegyzésekből.
- Földrajzi adatok: USGS légi felvételek és tengerszint feletti adatok a campus elhelyezéséhez a terepen.
Ezen források együttesen adják meg a kontextust és a traceability-t: például az épületelhelyezés visszavezethető a helyszínrajzra, míg a homlokzat-stílus a Voyager referenciákra.
Ügynök-asszisztált munkafolyamat: OpenUSD campus modell építése
A bemutatott munkafolyamatban egy frontier AI modell ügynök-vázba van ágyazva; ez a szoftver kezeli a kontextust, az utasításokat és az eszközhívásokat. A fejleszthető „skills” ismétlődő feladatokat és AI-gyár doménismeretet kódolnak. A fejlesztők eszközinterfészeken keresztül kötnek össze modellezési és elemzési funkciókat, például a Model Context Protocol (MCP) használatával, és meghatározzák, hogy az ügynök milyen változtatásokat javasolhat vagy alkalmazhat.
A példában a DSX Blueprint referenciaépületei és berendezései szolgáltak kiindulási geometriaként, a helyszínrajz vezetett az elhelyezésben és az első fázis részleteiben. Fotók és a Voyager építészeti referenciái iránymutatást adtak az építészeti kiegészítésekhez, például a napelem-sátrakhoz. A napelem-sátorra az ügynök USD Content Agents segítségével generálta a geometriát és anyagokat, majd a Voyager referenciákkal finomította azt; így szerkeszthető, koncepcionális építészeti elemet kaptak ellenőrzésre.
A csapat az új és a meglévő asseteket kiegészítő (additive) USD rétegekben egyesítette, így a változtatások elkülönültek az eredeti forrásoktól. Az Omniverse RTX viewportban megvizsgálták a sátor elhelyezkedését, megjelenését és méreteit, miközben a USGS légi adatok szolgáltatták a terep és magassági kontextust.
Kiterjesztés: kapacitástervezés rögzített teljesítménykeret mellett
A campus modell egy következő lépésben kapacitástervezési tanulmány alapja lehet: miként konfiguráljunk egy AI-gyár adatcsarnokot adott, rögzített villamos teljesítmény (power) mellett? A konfigurációváltoztatások hatással lehetnek a berendezés darabszámára, elhelyezésére, elektromos elosztásra és hűtésre; ezek vizsgálatához a különböző szakterületeknek közös követelményeken kell dolgozniuk.
Egy illusztratív kiindulópont az NVIDIA Vera Rubin NVL72 összehasonlítása: ez a példa egy 1 MW-os normalizált alapra vonatkozik, feltételezve PUE = 1.1. Az illusztratív számítás szerint a DSX MaxLPS megközelítés kapacitása ebben a példában 400 GPU, és az aggregált token-throughput körülbelül 1.35-szöröse a MaxP alapvonalnak. Fontos: ezek illusztratív referenciafeltevések, nem a campus modellből származó vizsgálati eredmények.
A javasolt munkafolyamatban az ügynök összekapcsolódik a projektadatokkal és mérnöki eszközökkel, hogy felhívja a figyelmet a felülvizsgálandó berendezésekre és feltételezésekre. Mérnökök ezután teljes rackek elhelyezését, elektromos elosztását, hűtési csatlakozásait és hálózati erőforrásait értékelik.
Követelmények és rendszerszintű modellezés
A Systems Modeling Language (SysML) használatával a csapatok reprezentálhatják a követelményeket és összekapcsolhatják azokat a rendszerelemekkel. Ha a modellező eszköz API-n, MCP-n vagy más támogatott interfészen keresztül elérhető, az ügynök lekérdezheti ezeket a kapcsolatokat, és megjelölheti a javasolt változtatás által érintett függőségeket. CAD-rajzok és berendezéskatalógusok szolgáltatják a dimenziókat és parametrikus adatokat az elemzésekhez.
A tervezési javaslat átadása egy dokumentált konfigurációváltoztatás lenne, kapcsolódó követelményekkel és hiányzó adatokkal együtt; ezt követően a mérnöki ellenőrzés után az ügynök frissítheti az OpenUSD jelenetet a kiválasztott rack-konfigurációnak megfelelően.
SimReady, OpenUSD és az asset-előkészítés
A szimulációhoz több kell, mint geometria: mérnököknek berendezési tulajdonságokra és csatlakozási adatokra van szükségük a teljesítmény és hűtés kiszámításához. OpenUSD közös jelenetbe hozza az épületgeometriát, az asseteket és az ezekhez kapcsolódó adatokat. USD attribútumok és egyedi sémák megőrizhetik a kapcsolatot a mérnöki feljegyzésekkel és követelményekkel, így a változások visszakövethetők az alkalmazások között.
A DSX rendszerarchitektúra összekapcsolja az asset-előkészítést, az adattárolást, a szimulációs szolgáltatásokat és a digitális iker alkalmazást. A SimReady Foundation leírja, milyen asset-adatok szükségesek adott szimulációkhoz: a csapatok ellenőrizhetik, hogy az assetek tartalmazzák-e a szükséges geometriát, tulajdonságokat és csatlakozási adatokat, és kihasználhatják a SimReady Central Library több mint 2 000 szimulációra kész OpenUSD assetjét (a könyvtár a Hugging Face-en érhető el).
Az AI factory pipeline sample-ok bemutatják a CAD-konverziót, optimalizálást, metaadatokat és validációt; egy ügynök ezekre a kapcsolt eszközökre hívásokat intézhet, és összegyűjtheti a jelentéseket.
Az átadás egy összeszerelt jelenet lesz, amely a javasolt tervezési módosításhoz kapcsolódó adatokkal, elvégzett ellenőrzésekkel és azonosított hiányosságokkal szolgál a szimulációs csapat számára.
Szimulációk futtatása: villamos-terhelés és hűtés
Miután a jelenet összeállt és a hiányosságok azonosítva lettek, a szükséges vizsgálatokat lehet előkészíteni és lefuttatni. Rögzített teljesítményű forgatókönyvben az elektromos terhelés és a hűtés vizsgálata határozza meg, hogyan viselkedik az elrendezés az adott üzemeltetési feltételek mellett. Ha támogatott solver-kapcsolatok léteznek, az ügynök benyújthat vizsgálatokat, lekérheti az eredményeket, és összekapcsolhatja a megállapításokat az érintett berendezésekkel és követelményekkel.
A mérnökök felülvizsgálják a feltételezéseket és az eredményeket, majd eldöntik, hogy a tervezés megfelel-e, vagy további módosításokra van szükség. Minden eredménynek egyértelműen meg kell határoznia a tesztelt tervezési verziót, és külön kell választania a számított eredményeket a tárolt adatoktól vagy AI-ábrázolásoktól.
Hardverajánlások a munkafolyamathoz
Az egyes feladatokhoz ajánlott NVIDIA termékek:
- NVIDIA DGX Spark: személyes ügynökfejlesztéshez, helyi AI modellek prototípusához; párosítható RTX rendszerrel DSX vizualizációhoz.
- NVIDIA RTX PRO Blackwell Workstation Edition GPU: interaktív szerkesztéshez és támogatott szimulációkhoz.
- NVIDIA DGX Station: nagyobb helyi AI terhelésekhez; szükség esetén RTX PRO 6000 Blackwell Workstation Edition GPU-val kiegészítve.
- NVIDIA RTX PRO Server: megosztott fejlesztéshez és szimulációhoz; a referenciaarchitektúra négy szerver egységekre, szerverenként nyolc RTX PRO 6000 Blackwell Server Edition GPU-ra szabott konfigurációt említ.
A pontos méretezés a jelenet komplexitásától, a solver követelményeitől és az egyidejű felhasználók számától függ.
Integrációk az mérnöki döntéshozatalhoz
Több alkalmazásszállító dolgozik azon, hogy a digitális iker és a mérnöki eszközök közötti kapcsolatot erősítse:
- Dassault Systèmes: CATIA Magic és SysML eszközök a rendszerszintű követelmények és konfigurációk fenntartásához; támogatják az Agent2Agent (A2A) protokollt és MCP-alapú hozzáférést.
- PTC: Windchill és NVIDIA Omniverse könyvtárak integrációja a verziókezelésű CAD-adatok megosztott 3D környezetbe hozására.
- Cadence Reality Digital Twin Platform: rögzített teljesítmény-probléma elemzésére, egyesítve berendezés- és energia modelleket CFD-vel; Omniverse és SimReady eszközökre építve.
- Siemens: Simcenter STAR-CCM+ részletes áramlás- és hőátviteli vizsgálatokhoz, valamint DSX-kompatibilis referenciaarchitektúrák a teljes infrastruktúra ábrázolására.
Ezek az integrációk segítik a kézbentartható munkafolyamatot, amely a tervezéstől a szimulációig és vissza kapcsolja a döntéseket.
Hogyan kezdjen hozzá egy csapat?
Válasszon egy konkrét mérnöki kérdést, kapcsolja össze a szükséges forrásokat és eszközöket, építse össze a digitális ikert OpenUSD-ben, és használja a SimReady követelményeket az assetek előkészítéséhez. Kezdje egyetlen kérdéssel és bővítse a folyamatot, miután a kezdeti áttekintést és felülvizsgálatot elvégezték.
Ajánlott lépések
- Építsen alapot a NVIDIA Omniverse DSX Blueprint segítségével.
- Állítsa össze a campusot OpenUSD-ben a rendelkezésre álló referenciák és helyszínadatok felhasználásával.
- Készítse elő és validálja az asseteket DSX és SimReady útmutatás alapján.
- Használjon ügynököket az adatok összegyűjtésére, munkafolyamatok futtatására és javaslatok előterjesztésére.
- Vonja be a mérnököket az ellenőrzésbe, majd ismételje a folyam atot a végleges konfiguráció eléréséig.
A fentiek lehetővé teszik, hogy a fejlesztők és mérnökök együtt, nyomon követhető módon alakítsák ki és vizsgálják az AI-gyár digitális ikerpárjait, kezdve egy szerkeszthető OpenUSD típussájtól egészen a mérnöki vizsgálatokig.
