PLAID：用于异构物理模拟机器学习的统一数据模型
机器学习
2026-05-27 v3
摘要
基于机器学习的代理模型已成为加速模拟驱动科学工作流程的强大工具，但其应用受到缺乏大规模、多样化和标准化的基于物理模拟数据集的限制。现有基准通常专注于狭窄领域或依赖简化的数据模型，未能捕捉由可变几何形状、网格和拓扑结构引起的异构性，而这对于评估现实环境中的泛化能力至关重要。我们引入了 PLAID（物理学习 AI 数据模型），一个用于异构物理模拟的统一且可扩展的数据层。它在保留模拟数据全部复杂性的同时，支持高效且可扩展的机器学习工作流程，并附带一个用于数据集构建和操作的库（\href{https://github.com/PLAID-lib/plaid}{github.com/PLAID-lib/plaid}）。我们发布了六个涵盖结构力学和计算流体动力学的数据集，旨在反映真实的工业场景并提供标准化基准。该框架包括可重复的评估协议，并与 Hugging Face 集成，以实现开放、社区驱动的基准测试，并鼓励用户积极参与（\href{https://huggingface.co/PLAIDcompetitions}{huggingface.co/PLAIDcompetitions}）。
引用
@article{arxiv.2505.02974,
title = {PLAID: A Unified Data Model for Machine Learning on Heterogeneous Physics Simulations},
author = {Fabien Casenave and Xavier Roynard and Brian Staber and Alexandre Devaux-Rivière and William Piat and Michele Alessandro Bucci and Nissrine Akkari and Abbas Kabalan and Xuan Minh Vuong Nguyen and Luca Saverio and Raphaël Carpintero Perez and Anthony Kalaydjian and Samy Fouché and Thierry Gonon and Ghassan Najjar and Thomas Daniel and Emmanuel Menier and Matthieu Nastorg and Giovanni Catalani and Christian Rey},
journal= {arXiv preprint arXiv:2505.02974},
year = {2026}
}
备注
Presented at EuRIPS 2025 and accepted at the AI4Physics Workshop @ ICML 2026