論文の概要: FD-Bench: A Modular and Fair Benchmark for Data-driven Fluid Simulation

• arxiv url: http://arxiv.org/abs/2505.20349v1
• Date: Sun, 25 May 2025 23:24:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.196137
• Title: FD-Bench: A Modular and Fair Benchmark for Data-driven Fluid Simulation
• Title（参考訳）: FD-Bench: データ駆動流体シミュレーションのためのモジュール的で公正なベンチマーク
• Authors: Haixin Wang, Ruoyan Li, Fred Xu, Fang Sun, Kaiqiao Han, Zijie Huang, Guancheng Wan, Ching Chang, Xiao Luo, Wei Wang, Yizhou Sun,
• Abstract要約: FD-Benchは、データ駆動流体シミュレーションのための最初の公正で、モジュール的で、包括的で再現可能なベンチマークである。 空間的、時間的、損失関数モジュール間の公正な比較を提供する。 将来のデータ駆動流体モデルの堅牢な評価の基礎を築いている。
• 参考スコア（独自算出の注目度）: 33.45842684810109
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven modeling of fluid dynamics has advanced rapidly with neural PDE solvers, yet a fair and strong benchmark remains fragmented due to the absence of unified PDE datasets and standardized evaluation protocols. Although architectural innovations are abundant, fair assessment is further impeded by the lack of clear disentanglement between spatial, temporal and loss modules. In this paper, we introduce FD-Bench, the first fair, modular, comprehensive and reproducible benchmark for data-driven fluid simulation. FD-Bench systematically evaluates 85 baseline models across 10 representative flow scenarios under a unified experimental setup. It provides four key contributions: (1) a modular design enabling fair comparisons across spatial, temporal, and loss function modules; (2) the first systematic framework for direct comparison with traditional numerical solvers; (3) fine-grained generalization analysis across resolutions, initial conditions, and temporal windows; and (4) a user-friendly, extensible codebase to support future research. Through rigorous empirical studies, FD-Bench establishes the most comprehensive leaderboard to date, resolving long-standing issues in reproducibility and comparability, and laying a foundation for robust evaluation of future data-driven fluid models. The code is open-sourced at https://anonymous.4open.science/r/FD-Bench-15BC.
• Abstract（参考訳）: データ駆動型流体力学モデリングは、ニューラルPDEソルバによって急速に進歩しているが、統一されたPDEデータセットと標準化された評価プロトコルが存在しないため、公正で強力なベンチマークが断片化されている。 建築革新は豊富であるが、空間的・時間的・損失的モジュール間の明確な絡み合いの欠如により、公正な評価がさらに妨げられている。 本稿では,データ駆動流体シミュレーションのための最初のフェア,モジュール,包括的,再現可能なベンチマークであるFD-Benchを紹介する。 FD-Benchは、統一された実験装置の下で、10の代表的なフローシナリオにわたる85のベースラインモデルを体系的に評価する。 1)空間的,時間的,損失関数モジュール間の公正な比較を可能にするモジュール設計,(2)従来の数値解法と直接比較するための最初の体系的枠組み,(3)解像度,初期条件,時間的ウィンドウ間の詳細な一般化解析,(4)ユーザフレンドリーで拡張可能なコードベースによる将来の研究を支援する。 厳密な実証研究を通じて、FD-Benchは、これまでで最も包括的なリーダーボードを確立し、再現性と可視性の長年の問題を解決するとともに、将来のデータ駆動流体モデルの堅牢な評価のための基盤を構築している。 コードはhttps://anonymous.4open.science/r/FD-Bench-15BCで公開されている。

関連論文リスト

• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Prior2Former -- Evidential Modeling of Mask Transformers for Assumption-Free Open-World Panoptic Segmentation [74.55677741919035]
  顕在学習に根ざしたセグメンテーション・ビジョン・トランスフォーマの最初のアプローチとして、Prefer2Former (P2F)を提案する。 P2Fは、ピクセル単位のバイナリマスク割り当てにおいて、モデル不確実性を計算するためのベータを組み込むことで、マスクビジョントランスフォーマーアーキテクチャを拡張している。 OODデータを使用しないメソッドの中では、OoDIS異常インスタンスベンチマークで最高ランクに達している。
  論文  参考訳（メタデータ） (2025-04-07T08:53:14Z)
• UniFault: A Fault Diagnosis Foundation Model from Bearing Data [17.331366274926758]
  既存の機械故障診断モデルは、多種多様なデータセットにまたがる限定的な一般化を伴う操作特化である。 障害診断のための基盤モデルUniFaultを導入し,これらの問題に体系的に対処する。 UniFaultは、さまざまなFDデータセットにまたがる90億以上のデータポイントで事前トレーニングされている。
  論文  参考訳（メタデータ） (2025-04-02T05:34:27Z)
• FlowDAS: A Flow-Based Framework for Data Assimilation [15.64941169350615]
  FlowDASは、状態遷移ダイナミクスと生成前の学習を統合するために補間剤を用いた新しい生成モデルベースのフレームワークである。 実験では,ローレンツシステムから高次元流体超解像タスクに至るまで,様々なベンチマークにおいてFlowDASの優れた性能を示す。
  論文  参考訳（メタデータ） (2025-01-13T05:03:41Z)
• Hierarchically Disentangled Recurrent Network for Factorizing System Dynamics of Multi-scale Systems: An application on Hydrological Systems [4.634606500665259]
  複数の時間スケールでシステムダイナミクスを分解する新しい階層的リカレントニューラルネットワークを提案する。 国立気象局ノース・セントラル・リバー・フォアキャスト・センターからの幾らかの捕獲実験では、FHNNが標準ベースラインを上回っていることを示している。 我々は,FHNNが,効果的な事前学習戦略とグローバルモデルの訓練を通じて,限られたトレーニングデータであっても精度を維持することができることを示す。
  論文  参考訳（メタデータ） (2024-07-29T16:25:43Z)
• Reducing Spatial Discretization Error on Coarse CFD Simulations Using an OpenFOAM-Embedded Deep Learning Framework [0.7223509567556214]
  本研究では,深層学習を用いたシミュレーションの品質向上により,流体力学問題の空間的離散化誤差を低減する手法を提案する。 我々は、粗いグリッドの離散化に投射した後、細粒度のデータでモデルをフィードする。 我々は、セル中心からフェイス値への速度を補間するフィードフォワードニューラルネットワークにより、対流項のデフォルトの差分スキームを置換し、ダウンサンプリングされた微細グリッドデータをよく近似する速度を生成する。
  論文  参考訳（メタデータ） (2024-05-13T02:59:50Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)

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。