論文の概要: NeurIPS 2024 ML4CFD Competition: Results and Retrospective Analysis

• arxiv url: http://arxiv.org/abs/2506.08516v1
• Date: Tue, 10 Jun 2025 07:34:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:41.764229
• Title: NeurIPS 2024 ML4CFD Competition: Results and Retrospective Analysis
• Title（参考訳）: NeurIPS 2024 ML4CFD competition: Results and Retrospective Analysis
• Authors: Mouadh Yagoubi, David Danan, Milad Leyli-Abadi, Ahmed Mazari, Jean-Patrick Brunet, Abbas Kabalan, Fabien Casenave, Yuxin Ma, Giovanni Catalani, Jean Fesquet, Jacob Helwig, Xuan Zhang, Haiyang Yu, Xavier Bertrand, Frederic Tost, Michael Baurheim, Joseph Morlier, Shuiwang Ji,
• Abstract要約: 2次元翼上での空力シミュレーションのための代理モデルを中心にML4CFDコンペティションを組織した。 このコンペティションには240以上のチームが参加し、OpenFOAM経由で生成されたデータセットが提供された。 この振り返り分析は、競争の結果をレビューし、ベースラインを上回るいくつかのアプローチを強調します。
• 参考スコア（独自算出の注目度）: 43.76958886074317
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The integration of machine learning (ML) into the physical sciences is reshaping computational paradigms, offering the potential to accelerate demanding simulations such as computational fluid dynamics (CFD). Yet, persistent challenges in accuracy, generalization, and physical consistency hinder the practical deployment of ML models in scientific domains. To address these limitations and systematically benchmark progress, we organized the ML4CFD competition, centered on surrogate modeling for aerodynamic simulations over two-dimensional airfoils. The competition attracted over 240 teams, who were provided with a curated dataset generated via OpenFOAM and evaluated through a multi-criteria framework encompassing predictive accuracy, physical fidelity, computational efficiency, and out-of-distribution generalization. This retrospective analysis reviews the competition outcomes, highlighting several approaches that outperformed baselines under our global evaluation score. Notably, the top entry exceeded the performance of the original OpenFOAM solver on aggregate metrics, illustrating the promise of ML-based surrogates to outperform traditional solvers under tailored criteria. Drawing from these results, we analyze the key design principles of top submissions, assess the robustness of our evaluation framework, and offer guidance for future scientific ML challenges.
• Abstract（参考訳）: 機械学習(ML)の物理科学への統合は、計算パラダイムを再構築し、計算流体力学(CFD)のような需要のあるシミュレーションを加速する可能性を提供している。 しかし、精度、一般化、物理的整合性の持続的な課題は、科学領域におけるMLモデルの実践的な展開を妨げる。 これらの制約に対処するため,2次元翼上の空力シミュレーションのための代理モデルを中心に,ML4CFDコンペティションを組織した。 このコンペティションには240以上のチームが参加し、OpenFOAMで生成されたキュレートされたデータセットが提供され、予測精度、物理的忠実度、計算効率、アウト・オブ・ディストリビューションの一般化を含むマルチ基準フレームワークを通じて評価された。 この振り返り分析は、競争の結果をレビューし、世界評価スコアでベースラインを上回ったいくつかのアプローチを強調します。 特に、トップエントリは、集計メトリクスにおけるOpenFOAMソルバのパフォーマンスを上回るもので、MLベースのサロゲートが、調整された基準の下で従来のソルバを上回っていることを示している。 これらの結果から,提案手法の重要な設計原則を分析し,評価フレームワークの堅牢性を評価し,今後の科学的ML課題に対するガイダンスを提供する。

関連論文リスト

• Machine Learning for Physical Simulation Challenge Results and Retrospective Analysis: Power Grid Use Case [5.382597165456225]
  本稿では電力グリッドシミュレーションの計算課題の増大、特に風や太陽といった再生可能エネルギー源の統合の増大に対処する。 これに取り組むために、少なくとも1桁のオーダーで電力フローシミュレーションを加速するAI駆動の手法を開発するために、競争が組織された。 本稿では、ML4PhySim(Machine Learning for Physical Simulation)コンペティションの概要と、ベンチマークスイートの詳細、トップパフォーマンスソリューションの分析について述べる。
  論文  参考訳（メタデータ） (2025-05-02T09:58:27Z)
• Model Utility Law: Evaluating LLMs beyond Performance through Mechanism Interpretable Metric [99.56567010306807]
  大規模言語モデル(LLM)は、学術、産業、そして日々のアプリケーションに欠かせないものになっている。 大規模言語モデル (LLM) 時代における評価の課題の1つは一般化問題である。 従来の性能スコアを補完するメカニズムの解釈可能性向上指標であるモデル利用指数(MUI)を提案する。
  論文  参考訳（メタデータ） (2025-04-10T04:09:47Z)
• Geometry Matters: Benchmarking Scientific ML Approaches for Flow Prediction around Complex Geometries [23.111935712144277]
  複雑な幾何学体を取り巻く流体力学の迅速かつ正確なシミュレーションは、様々な工学的・科学的応用において重要である。 科学機械学習(SciML)はかなりの可能性を示してきたが、この分野のほとんどの研究は単純な幾何学に限られている。 本稿では,複雑な地形上での流動予測のための多種多様なSciMLモデルのベンチマークにより,このギャップを解消する。
  論文  参考訳（メタデータ） (2024-12-31T00:23:15Z)
• Benchmarks as Microscopes: A Call for Model Metrology [76.64402390208576]
  現代の言語モデル(LM)は、能力評価において新たな課題を提起する。 メトリクスに自信を持つためには、モデルミアロジの新たな規律が必要です。
  論文  参考訳（メタデータ） (2024-07-22T17:52:12Z)
• NeurIPS 2024 ML4CFD Competition: Harnessing Machine Learning for Computational Fluid Dynamics in Airfoil Design [15.301599529509057]
  この課題は、エアフォイル設計シミュレーション(Airfoil design simulation)という、確立された物理応用の基礎となる課題に焦点を当てている。 この競争はML駆動のサロゲート法を探求する先駆的な試みである。 このコンペティションは、参加するすべてのソリューションに対して、オンライントレーニングと評価を提供する。
  論文  参考訳（メタデータ） (2024-06-30T21:48:38Z)
• MR-Ben: A Meta-Reasoning Benchmark for Evaluating System-2 Thinking in LLMs [55.20845457594977]
  大規模言語モデル(LLM)は、問題解決と意思決定の能力の向上を示している。 本稿ではメタ推論技術を必要とするプロセスベースのベンチマークMR-Benを提案する。 メタ推論のパラダイムは,システム2のスロー思考に特に適しています。
  論文  参考訳（メタデータ） (2024-06-20T03:50:23Z)
• ML4PhySim : Machine Learning for Physical Simulations Challenge (The airfoil design) [16.140736542578562]
  この競争の目的は、物理的な問題を解決するための新しいML技術の開発を促進することである。 本研究では,AirfRANSというデータセットを用いて,翼設計シミュレーションを表現するタスクの学習を提案する。 我々の知る限りでは、これはMLベースのサロゲートアプローチを使用して物理シミュレーションのトレードオフ計算コスト/精度を改善するための最初の競争である。
  論文  参考訳（メタデータ） (2024-03-03T22:10:21Z)

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。