LagrangeBench：拉格朗日流体力学基准测试套件
机器学习
2023-10-31 v2 流体动力学
摘要
机器学习已成功应用于各类科学应用中的基于网格的偏微分方程建模。然而，基于拉格朗日粒子离散化的学习型偏微分方程求解器——其为具有自由表面或复杂物理问题所偏好的方法——在很大程度上仍未被探索。我们提出LagrangeBench，首个面向拉格朗日粒子问题的基准测试套件，聚焦于时间粗粒化。具体而言，我们的贡献为：(a) 七个新的流体力学数据集（四个在2D，三个在3D），采用光滑粒子流体动力学(SPH)方法生成，包括Taylor-Green涡、顶盖驱动腔、反向Poiseuille流和溃坝，每个均包含不同物理如固体壁面相互作用或自由表面；(b) 高效的基于JAX的API，带有多种近期训练策略与三种邻域搜索例程；(c) 已确立的图神经网络(GNNs)如GNS和SEGNN的JAX实现及基线结果。最后，为衡量学习型代理模型的性能，我们超越已有的位置误差，引入如动能MSE和粒子分布的Sinkhorn距离等物理度量。我们的代码库位于 https://github.com/tumaer/lagrangebench 。
引用
@article{arxiv.2309.16342,
title = {LagrangeBench: A Lagrangian Fluid Mechanics Benchmarking Suite},
author = {Artur P. Toshev and Gianluca Galletti and Fabian Fritz and Stefan Adami and Nikolaus A. Adams},
journal= {arXiv preprint arXiv:2309.16342},
year = {2023}
}
备注
Accepted at 37th Conference on Neural Information Processing Systems (NeurIPS 2023) Track on Datasets and Benchmarks