BubbleML：用于机器学习的多物理场数据集与基准
机器学习
2023-08-28 v2 人工智能
计算工程、金融与科学
分布式、并行与集群计算
摘要
在相变现象领域，缺乏适用于机器学习（ML）训练的可获取且多样的数据集是一个重大挑战。现有的实验数据集通常受限，可用性与真实标注数据稀疏，阻碍了我们对该复杂多物理场现象的理解。为弥补这一差距，我们提出 BubbleML 数据集\footnote{\label{git_dataset}\url{https://github.com/HPCForge/BubbleML}}，其利用物理驱动模拟为多种沸腾场景提供准确的真实标注信息，涵盖核态池沸腾、流动沸腾和过冷沸腾。该广泛数据集覆盖宽泛的参数范围，包括不同重力条件、流速、过冷度和壁面过热，包含 79 个模拟。BubbleML 已对照实验观测与趋势进行验证，确立为 ML 研究的宝贵资源。此外，我们通过引入两个基准展示其促进多样下游任务探索的潜力：(a) 用于捕捉气泡动力学的光流分析，以及 (b) 用于学习温度动态的算子网络。BubbleML 数据集及其基准作为 ML 驱动的多物理场相变现象研究的催化剂，使最先进技术与模型的开发与比较成为可能。
引用
@article{arxiv.2307.14623,
title = {BubbleML: A Multi-Physics Dataset and Benchmarks for Machine Learning},
author = {Sheikh Md Shakeel Hassan and Arthur Feeney and Akash Dhruv and Jihoon Kim and Youngjoon Suh and Jaiyoung Ryu and Yoonjin Won and Aparna Chandramowlishwaran},
journal= {arXiv preprint arXiv:2307.14623},
year = {2023}
}
备注
Submitted to Neurips Datasets and Benchmarks Track 2023