Well：面向机器学习的大规模多样化物理仿真集合
机器学习
2025-02-25 v2 流体动力学
摘要
基于机器学习的代理模型为加速仿真工作流程提供了研究人员强大的工具。然而，由于标准数据集常常涵盖小范围的物理行为，在评估新方法的有效性方面会很难。为此，我们引入了Well：一个包含广泛各种时空物理系统数值仿真的大型数据集集合。Well从领域专家和数值软件开发者那里提供了15TB的数据，覆盖16个数据集，涵盖生物系统、流体动力学、声学散射以及来自星系外流体或超新星爆炸的磁流体动力学仿真。这些数据集可以单独使用，也可以作为更广泛的基准套件使用。为便于使用Well，我们提供了一个统一的PyTorch接口，用于训练和评估模型。我们通过引入示例基线来展示该库的功能，这些基线突出了Well复杂动力学所提出的新挑战。代码和数据可在https://github.com/PolymathicAI/the_well获取。
引用
@article{arxiv.2412.00568,
title = {The Well: a Large-Scale Collection of Diverse Physics Simulations for Machine Learning},
author = {Ruben Ohana and Michael McCabe and Lucas Meyer and Rudy Morel and Fruzsina J. Agocs and Miguel Beneitez and Marsha Berger and Blakesley Burkhart and Keaton Burns and Stuart B. Dalziel and Drummond B. Fielding and Daniel Fortunato and Jared A. Goldberg and Keiya Hirashima and Yan-Fei Jiang and Rich R. Kerswell and Suryanarayana Maddu and Jonah Miller and Payel Mukhopadhyay and Stefan S. Nixon and Jeff Shen and Romain Watteaux and Bruno Régaldo-Saint Blancard and François Rozet and Liam H. Parker and Miles Cranmer and Shirley Ho},
journal= {arXiv preprint arXiv:2412.00568},
year = {2025}
}
备注
38th Conference on Neural Information Processing Systems (NeurIPS 2024) Track on Datasets and Benchmarks