PDEBENCH：一个面向科学机器学习的广泛基准
机器学习
2024-08-27 v7 计算机视觉与模式识别
流体动力学
地球物理
摘要
近年来，基于机器学习的物理系统建模受到越来越多的关注。尽管取得了一些令人印象深刻的进展，科学机器学习（Scientific ML）仍缺乏既易于使用又具有挑战性且能代表广泛问题的基准。我们引入 PDEBench，一个基于偏微分方程（PDEs）的随时间演化仿真任务基准套件。PDEBench 包含代码和数据，用于将新颖机器学习模型的性能与经典数值仿真和机器学习基线进行基准比较。我们提出的基准问题具有以下独特特征：（1）与现有基准相比，PDE 范围更广，从相对常见的例子到更真实和困难的问题；（2）与先前工作相比，更大规模的即用型数据集，包含更多初始和边界条件及 PDE 参数下的多次仿真运行；（3）更具可扩展性的源代码，带有用户友好的 API，用于数据生成以及流行机器学习模型（FNO、U-Net、PINN、基于梯度的逆方法）的基线结果。PDEBench 允许研究人员使用标准化 API 为其自身目的自由扩展基准，并将新模型的性能与现有基线方法进行比较。我们还提出了新的评估指标，旨在为科学机器学习背景下学习方法提供更整体的理解。借助这些指标，我们识别出对近期 ML 方法具有挑战性的任务，并将这些任务作为未来的社区挑战。代码见 https://github.com/pdebench/PDEBench。
引用
@article{arxiv.2210.07182,
title = {PDEBENCH: An Extensive Benchmark for Scientific Machine Learning},
author = {Makoto Takamoto and Timothy Praditia and Raphael Leiteritz and Dan MacKinlay and Francesco Alesiani and Dirk Pflüger and Mathias Niepert},
journal= {arXiv preprint arXiv:2210.07182},
year = {2024}
}
备注
16 pages (main body) + 34 pages (supplemental material), accepted for publication in NeurIPS 2022 Track Datasets and Benchmarks