Physics-Learning AI Datamodel (PLAID) datasets: a collection of physics simulations for machine learning

要約

機械学習ベースの代理モデルは、シミュレーション駆動型の科学的ワークフローを加速するための強力なツールとして登場しました。
ただし、それらの広範な採用は、物理ベースのシミュレーションに合わせた大規模で多様な、標準化されたデータセットの欠如によって妨げられています。
既存のイニシアチブは貴重な貢献を提供しますが、多くは特定の物理学ドメインに範囲に焦点を合わせたり、断片化されたツールに依存したり、一般化を制限する過度に単純化されたデータモデルに準拠しています。
これらの制限に対処するために、物理シミュレーションのデータセットを表現および共有するための柔軟で拡張可能なフレームワークであるPlaid（物理学習AI Datamodel）を紹介します。
Plaidは、シミュレーションデータを説明するための統一された標準を定義し、幅広い物理的ユースケース（gitlab.com/drti/plaid）にわたって複雑なデータセットを作成、読み取り、操作するライブラリが添付されています。
構造力学と計算流体のダイナミクスをカバーし、代表的な学習方法を使用してベースラインベンチマークを提供する、Plaid標準の下で6つの慎重に作成されたデータセットをリリースします。
ベンチマークツールは、顔を抱きしめて利用できるようになり、コミュニティによる直接参加と継続的な評価努力への貢献（Huggingface.co/PlaidCompetition）が可能になります。

要約(オリジナル)

Machine learning-based surrogate models have emerged as a powerful tool to accelerate simulation-driven scientific workflows. However, their widespread adoption is hindered by the lack of large-scale, diverse, and standardized datasets tailored to physics-based simulations. While existing initiatives provide valuable contributions, many are limited in scope-focusing on specific physics domains, relying on fragmented tooling, or adhering to overly simplistic datamodels that restrict generalization. To address these limitations, we introduce PLAID (Physics-Learning AI Datamodel), a flexible and extensible framework for representing and sharing datasets of physics simulations. PLAID defines a unified standard for describing simulation data and is accompanied by a library for creating, reading, and manipulating complex datasets across a wide range of physical use cases (gitlab.com/drti/plaid). We release six carefully crafted datasets under the PLAID standard, covering structural mechanics and computational fluid dynamics, and provide baseline benchmarks using representative learning methods. Benchmarking tools are made available on Hugging Face, enabling direct participation by the community and contribution to ongoing evaluation efforts (huggingface.co/PLAIDcompetitions).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google