随着计算机辅助工程向人工智能驱动转型，物理基础模型对高保真仿真数据的需求日益增长，这对仿真器的速度、GPU 原生能力及与机器学习工作流的兼容性提出了更高要求。NVIDIA 推出的 Warp 框架正是在此背景下诞生，它旨在桥接 CUDA 与 Python，让开发者能用 Python 编写高性能 GPU 内核。与传统基于张量的框架不同，Warp 允许开发者编写灵活的核函数，使其能在计算网格上独立执行分支逻辑，从而更高效地处理物理模拟中常见的条件判断和动态更新。 文章详细展示了如何利用 Warp 构建二维纳维 - 斯托克斯方程求解器，涵盖基于有限差分的流场离散化、时间步进以及基于快速傅里叶变换的泊松方程求解。更重要的是，Warp 原生支持自动微分，使得仿真求解器可微分成为可能。通过在训练过程中反向传播梯度，研究人员能够端到端地解决最优扰动问题，即在流场中识别出能随时间指数级放大的初始扰动，这为流体控制和理解动态结构提供了关键工具。 在工业实践方面，Warp 已展现出显著的性能优势。Autodesk 利用 Warp 构建的可微晶格玻尔兹曼求解器，在单张 A100 显卡上的速度比 JAX 快八倍，且内存占用更低。Google DeepMind 的 MuJoCo Warp 后端在复杂的多体动力学任务中，相比 JAX 实现了高达 475 倍的加速。此外，C-Infinity 的自动装配引擎利用 Warp 将 CAD 几何数据处理速度提升了 669 倍，极大优化了智能制造流程。Warp 通过与 PyTorch 和 JAX 的零拷贝互操作，成功将计算密集型物理模拟无缝集成到主流 AI 工作流中，为构建高效、可扩展的物理 AI 应用提供了强大支持。