SIMSHIFT: A Benchmark for Adapting Neural Surrogates to Distribution Shifts

要約

部分的な微分方程式（PDE）の神経代理人は、新しい材料の種類や構造的次元などの目に見えない問題構成で評価されると、多くの場合、重大な性能劣化に苦しむことがよくあります。
一方、ドメイン適応（DA）手法は、目に見えない構成に関する限られた情報から一般化するために、ビジョンと言語の処理で広く使用されています。
この作業では、2つの焦点を絞った貢献を通じてこのギャップに対処します。
まず、4つの産業シミュレーションタスクで構成される新しいベンチマークデータセットと評価スイートであるSimShiftを紹介します。
第二に、確立されたドメイン適応方法を最先端の神経の代理人に拡張し、それらを体系的に評価します。
これらのアプローチでは、複数のソース構成からのパラメトリックな説明とグラウンドトゥルースシミュレーションを使用し、ターゲット構成からのパラメトリック説明のみを使用します。
目標は、グラウンドトゥルースシミュレーションデータにアクセスすることなく、ターゲットシミュレーションを正確に予測することです。
SimShiftに関する広範な実験は、分布からの神経代理モデリングの課題の課題を強調し、シミュレーションにおけるDAの可能性を示し、産業的に関連するシナリオの分布シフトの下で堅牢な神経代理を達成する際の未解決の問題を明らかにします。
コードベースはhttps://github.com/psetinek/simshiftで入手できます

要約(オリジナル)

Neural surrogates for Partial Differential Equations (PDEs) often suffer significant performance degradation when evaluated on unseen problem configurations, such as novel material types or structural dimensions. Meanwhile, Domain Adaptation (DA) techniques have been widely used in vision and language processing to generalize from limited information about unseen configurations. In this work, we address this gap through two focused contributions. First, we introduce SIMSHIFT, a novel benchmark dataset and evaluation suite composed of four industrial simulation tasks: hot rolling, sheet metal forming, electric motor design and heatsink design. Second, we extend established domain adaptation methods to state of the art neural surrogates and systematically evaluate them. These approaches use parametric descriptions and ground truth simulations from multiple source configurations, together with only parametric descriptions from target configurations. The goal is to accurately predict target simulations without access to ground truth simulation data. Extensive experiments on SIMSHIFT highlight the challenges of out of distribution neural surrogate modeling, demonstrate the potential of DA in simulation, and reveal open problems in achieving robust neural surrogates under distribution shifts in industrially relevant scenarios. Our codebase is available at https://github.com/psetinek/simshift

arxiv情報

提供元, 利用サービス

arxiv.jp, Google