你是否曾想过，打造一个能够精准预测天气、智能优化飞机维护流程，甚至完整模拟整个风电场运行的数字双胞胎，究竟有多复杂？真正的难点并不在于概念本身，而在于如何让这些高性能计算（HPC）工作流稳定、高效地运转起来。NVIDIA Base Command Platform 正是为攻克这一难题而生——它为开发人员提供了一套整合式工具，无论采用云托管还是本地部署模式，都能轻松配置并管理 AI 工作流。平台简化了背后的数据与用户管理，让整体体验变得更加流畅。

如今，结合 NVIDIA Modulus 与 Base Command Platform，在跨团队、跨地域的环境下构建高保真数字双胞胎已不再是空想。从预测最优的飞机维护计划到模拟完整风电场运行，数字双胞胎的价值十分显著——既能节省时间，也能降低投入。不过，迈出第一步往往最为棘手。幸运的是，一个集成度高的解决方案能够彻底改变局面，让开发者将精力真正聚焦在解决问题上，而非反复折腾运行环境。借助 Base Command Platform，用户只需几次点击即可调用 NGC 目录中的全套软件功能，为构建具备物理信息机器学习（Physics ML）能力的神经网络与气候模型铺平道路。

利用 FourCastNet 进行气候建模

谈到气候建模，就不得不提 FourCastNet。该开源平台作为 Modulus 的一员，专注于全球天气预报，在速度和分辨率上实现了惊人的突破，其核心技术基于傅立叶神经算子与 Transformer 架构。目前，FourCastNet 已与 Base Command Platform 实现全面兼容。

训练这类复杂模型离不开高质量数据。ERA5 数据集——一个涵盖数十年全球气象信息的庞大资料库——就是 FourCastNet 的“教材”。作为 NVIDIA Earth-2 数字孪生的关键技术，FourCastNet 的重要性不言而喻。Modulus 团队持续对其进行优化，近期引入了 NVIDIA Data Loading Library（DALI）来加速数据向 GPU 的传输，从而进一步缩短洞察时间。

在 Base Command Platform 上使用 Modulus 提升可扩展性

Modulus 的真正威力，只有在能够扩展至多 GPU 系统的环境中才能充分释放。而 Base Command Platform 正是运行这类大型模型的最佳选择。

为了展示实际效果，我们将稍作修改的 Modulus NGC 容器上传到了一个可访问 NVIDIA DGX A100 系统的 Base Command Platform 组织，并将 1TB 的 ERA5 数据集上传至工作区。为了支持多实例协同工作，Base Command Platform 集成了一个名为 bcprun 的工具。它的最大优势在于简化了多实例部署的复杂性，开发者无需再额外配置 mpirun 等软件，让原本为 Slurm 等 HPC 调度器编写的应用也能轻松上手。

具体来说，在 Base Command Platform 上启动 FourCastNet 的单实例作业，命令如下：

ngc batch run --name "bcp-dali.fcn.training.ml-model.modulus" --total-runtime 12H --org org-name --ace ace-name --instance dgxa100.80g.8.norm --workspace ERA5_test_21Vars:/era5/ngc_era5_data/:RO --result /results --image "nvcr.io/org-name/team-name/modulus:22.09-examples_0.4" --commandline "set -x && cd /examples/fourcastnet/ && ln -s /era5/stats . && python fcn_era5.py custom.train_dataset.kind=dali custom.num_workers.grid=1 training.max_steps=50000 training.print_stats_freq=500 network_dir=/results/network_checkpoint"

若想扩展至两个 DGX A100 实例（共 16 个 GPU），只需修改几个参数（加粗部分）：

ngc batch run --name "bcp-dali.fcn.training.ml-model.modulus" --total-runtime 12H --org org-name --ace ace-name --replicas "2" --array-type "PYTORCH" --instance dgxa100.80g.8.norm --workspace ERA5_test_21Vars:/era5/ngc_era5_data/:RO --result /results --image "nvcr.io/org-name/team-name/modulus:22.09-examples_0.4" --commandline "set -x && cd /examples/fourcastnet/ && mkdir -p /results/network_checkpoint && ln -s /era5/stats . && bcprun --nnodes $NGC_ARRAY_SIZE --npernode $NGC_GPUS_PER_NODE --cmd 'python fcn_era5.py custom.train_dataset.kind=dali custom.num_workers.grid=1 training.max_steps=50000 training.print_stats_freq=500 network_dir=/results/network_checkpoint'"

bcprun 的作用是确保指定的命令在每一个副本上执行，而 --npernode 参数则让每个 GPU 运行一个进程。这样，上述命令将启动 16 个进程。如需扩展到四个实例？只需将 --replicas 设为 4 即可。

Base Command Platform 不仅对用户友好，在性能上也毫不妥协。我们分别使用 NVIDIA Selene 超级计算机与 Base Command Platform 运行了 FourCastNet 训练，两者的结果几乎完全一致。这有力地证明了 Base Command Platform 完全能够满足企业级与科学计算中最苛刻的性能要求。

图2：在不同 GPU 数量下，NVIDIA Selene 超级计算机与 Base Command Platform 部署之间的 Modulus FourCastNet 性能对比（GPU 数量越多，性能增益越明显）

为了更深入地了解一线开发者如何看待这套组合，我们采访了 Modulus 团队的开发者 Kaustubh Tangsali。他分享了在 Base Command Platform 上使用 Modulus 的真实体验。

请简单介绍一下您的行业背景和经验？

我主要在软件行业从事模拟与计算流体动力学方面的工作。目前负责 Modulus 平台的开发，这是一个面向领域专家和 AI 从业者的物理机器学习框架。我经常与 NVIDIA 内部团队合作，比如使用 Modulus 设计散热器，也与不少外部伙伴一起借助它加速工作流程。

您在 Base Command Platform 上使用 Modulus 多久了？

从 2020 年年中开始。

日常使用感受如何？您的开发周期是怎样的？

我通常先在本地测试代码，然后上传到 Base Command Platform 的工作区。之后，可以通过 NGC 的 Web 界面或直接使用 CLI 启动作业。Jupyter 接口在早期调试阶段非常顺手。模型运行完成后，再下载检查点和结果进行进一步分析。运行过程中，我也会利用日志和遥测功能实时监控作业状态。

与其他环境相比，Base Command Platform 有哪些优势？

它的 Web 界面我觉得很实用。监视作业、查看启动命令、克隆作业、切换不同的实例类型，这些操作都很简单。能使用最新最好的 NVIDIA 硬件，这本身就是一大优势。

有什么建议给刚接触 Base Command Platform 的人？

NVIDIA 的用户指南文档写得很好，涵盖了单 GPU、多 GPU 以及多实例作业的常见用例和命令示例。我个人的习惯是，在开发早期充分利用交互式特性来跑作业，到了大规模扩展时再用 CLI 来优化。

总结

像 NVIDIA Modulus 这样的前沿数字孪生技术，离不开强大的计算环境支持。Base Command Platform 通过一组易用的界面，充分释放了 NVIDIA GPU 的性能，延续了 NVIDIA 让先进软件工具广泛可及并解决重要问题的使命。