RealPDEBench：用于复杂物理系统的真实数据基准

预测复杂物理系统的演化仍是科学与工程领域的核心问题。尽管科学机器学习模型取得了快速进展，但关键瓶颈在于缺乏昂贵的真实世界数据，导致大多数现有模型在模拟数据上进行训练与验证。除了限制科学机器学习的开发与评估，这一差距还阻碍了诸如仿真到真实部署等关键任务的研究。我们引入RealPDEBench，这是第一个集成真实测量数据与配对数值模拟的科学机器学习基准。RealPDEBench包含五个数据集、三个任务、八个指标和十个基线方法。我们首先呈现五组真实测量数据集及其对应的模拟数据集，涵盖不同的复杂物理系统。进一步定义三个任务，使可以在真实数据与模拟数据之间进行比较，并促进开发连接这两者的方法。此外，我们设计了八个评估指标，涵盖数据导向与物理导向指标，最后对十个代表性基线方法进行基准测试，包括最新模型、预训练的偏微分方程基础模型以及传统方法。实验结果显示，模拟数据与真实数据之间存在显著差异，但表明使用模拟数据预训练能显著提升准确率和收敛速度。本文希望从真实数据中提供见解，推动科学机器学习向弥合仿真到真实部署的鸿沟迈进，并实现实际应用。我们的基准、数据集和说明文档已在 https://realpdebench.github.io/ 提供。