数据驱动的流体运动低复杂度建模：社区挑战
机器学习
2026-01-13 v1 混沌动力学
计算物理
流体动力学
摘要
我们介绍了一个旨在促进数据驱动方法在航空流体压缩、预测和感知方面进行直接比较的社区挑战。该挑战组织为三个轨道，这些轨道针对这些互补能力：压缩（大数据集的紧凑表示）、预测（从有限历史预测未来流态）和感知（从有限测量推断未测量的流态）。在这些轨道中，多个挑战跨越多样化的流体数据集和用例，每个挑战都强调不同的模型需求。该挑战对任何人开放，我们邀请广大参与者以构建全面且均衡的图景，了解哪些方法有效以及当前方法的不足之处。为支持公平比较，我们提供标准化的成功指标、评估工具和基线实现，每个挑战各有一个经典基线和一个机器学习基线。最终评估使用对保留数据的盲测测试。我们明确鼓励呈现负面结果和对局限性的仔细分析。结果将通过 AIAA 期刊虚拟合集和邀请在 AIAA 会议上呈现。
引用
@article{arxiv.2601.06183,
title = {Data-Driven Reduced-Complexity Modeling of Fluid Flows: A Community Challenge},
author = {Oliver T. Schmidt and Aaron Towne and Adrian Lozano-Duran and Scott T. M. Dawson and Ricardo Vinuesa},
journal= {arXiv preprint arXiv:2601.06183},
year = {2026}
}