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

• arxiv url: http://arxiv.org/abs/2505.02974v1
• Date: Mon, 05 May 2025 18:59:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.10784
• Title: Physics-Learning AI Datamodel (PLAID) datasets: a collection of physics simulations for machine learning
• Title（参考訳）: 物理学習型AIデータモデル(PLAID)データセット:機械学習のための物理シミュレーションのコレクション
• Authors: Fabien Casenave, Xavier Roynard, Brian Staber, Nissrine Akkari, William Piat, Michele Alessandro Bucci, Abbas Kabalan, Xuan Minh Vuong Nguyen, Luca Saverio, Raphaël Carpintero Perez, Anthony Kalaydjian, Samy Fouché, Thierry Gonon, Ghassan Najjar, Emmanuel Menier, Matthieu Nastorg, Christian Rey,
• Abstract要約: PLAIDは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フレームワークである。 PLAIDはシミュレーションデータを記述するための統一標準を定義する。 PLAID標準の下で,構造力学と計算流体力学を網羅した6つのデータセットをリリースする。
• 参考スコア（独自算出の注目度）: 0.15710586783831507
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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).
• Abstract（参考訳）: 機械学習ベースのサロゲートモデルは、シミュレーション駆動の科学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た。 しかし、それらの普及は、物理学に基づくシミュレーションに適した大規模で多様な、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る。 既存のイニシアチブは貴重な貢献を提供するが、その多くは特定の物理学領域へのスコープフォーカス、断片化されたツールへの依存、あるいは一般化を制限する過度に単純化されたデータモデルへの固執に限られている。 これらの制約に対処するために,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性と拡張性を備えたPLAID(Physics-Learning AI Datamodel)を導入する。 PLAIDはシミュレーションデータを記述するための統一された標準を定義しており、様々な物理的なユースケース(gitlab.com/drti/plaid)で複雑なデータセットを作成し、読み、操作するためのライブラリが付属している。 我々は、PLAID標準の下で、構造力学と計算流体力学を網羅し、代表学習法を用いてベースラインベンチマークを提供する6つの慎重に構築されたデータセットをリリースする。 ベンチマークツールはHugging Faceで利用可能であり、コミュニティによる直接的な参加と進行中の評価努力(Huggingface.co/PLAIDコンペティション)への貢献を可能にする。

関連論文リスト

• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• The Well: a Large-Scale Collection of Diverse Physics Simulations for Machine Learning [4.812580392361432]
  ウェルは様々な物理系の数値シミュレーションの大規模なコレクションである。 これらのデータセットは、個別またはより広範なベンチマークスイートの一部として使用することができる。 モデルをトレーニングし、評価するための統合されたPyTorchインターフェースを提供する。
  論文  参考訳（メタデータ） (2024-11-30T19:42:14Z)
• A Benchmark Time Series Dataset for Semiconductor Fabrication Manufacturing Constructed using Component-based Discrete-Event Simulation Models [0.0]
  この研究はIntel半導体製造工場のベンチマークモデルに基づいている。 時系列データセットは離散時間軌道を用いて構築される。 データセットは、機械学習コミュニティで行動分析に利用することもできる。
  論文  参考訳（メタデータ） (2024-08-17T23:05:47Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Modular machine learning-based elastoplasticity: generalization in the context of limited data [0.0]
  エラスト塑性の定式化のモジュラリティに頼って,データの変動量に対処できるハイブリッドフレームワークについて論じる。 発見された物質モデルは、よく補間できるだけでなく、トレーニングデータの領域外から熱力学的に一貫した方法で正確な外挿を可能にする。
  論文  参考訳（メタデータ） (2022-10-15T17:35:23Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Using Deep Learning to Explore Local Physical Similarity for Global-scale Bridging in Thermal-hydraulic Simulation [4.350727579753697]
  現在の熱水和コードでは、実際の植物条件をシミュレートする際の信頼性が制限されている。 本稿では,これらの課題を克服するためのデータ駆動型特徴類似度測定FFSMを提案する。 深層学習は局所的な物理的特徴とシミュレーションエラーの関係の構築と探索に応用される。
  論文  参考訳（メタデータ） (2020-01-06T20:14:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。