研究人员考虑的四个物理系统的代表性可视化，描述了初始条件采样的结果和范围。每一个都有两个状态分量:对于纳维尔-斯托克斯系统，一个流速和一个压力场，而对于另外三个，一个位置q和动量p。大多数现有的模拟物理系统的工具都是基于物理理论和数值计算。然而，近年来，计算机科学家一直在努力开发能够补充这些工具的技术，这些工具是基于对大量数据的分析。机器学习算法是数据分析中特别有前途的方法。因此，许多计算机科学家开发了ML技术，可以通过分析实验数据来学习模拟物理系统。
虽然这些工具中的一些已经取得了显著的成果，但是评估它们并将其与其他方法进行比较可能具有挑战性，因为现有方法种类繁多，并且它们被设计来完成的任务也各不相同。因此，到目前为止，这些工具已经使用不同的框架和度量标准进行了评估。
纽约大学的研究人员开发了一种新的基准套件，可用于评估模拟物理系统的模型。在arXiv上预先发表的一篇论文中介绍的这个套件可以被定制、调整和扩展，以评估各种基于ML的模拟技术。
研究人员在论文中写道:“我们引入了一组基准问题，向统一的基准和评估协议迈出了一步。“我们提出了四个有代表性的物理系统，以及广泛使用的经典时间积分器和有代表性的数据驱动方法(基于内核、MLP、CNN、最近邻)的集合。”
研究人员开发的基准套件包含四个简单物理模型的模拟，带有训练和评估设置。这四个系统是:单个振荡弹簧、一维(1D)线性波动方程、纳维尔-斯托克斯流动问题和阻尼弹簧网格。
“这些系统代表着复杂性的进步，”研究人员在论文中解释道。“弹簧系统是具有低维初始条件空间和低维状态的线性系统；波动方程是离散化后具有(相对)高维状态空间的低维线性系统；纳维尔-斯托克斯方程是非线性的，我们考虑具有低维初始条件和高维状态空间的设置；最后，弹簧网格系统既有高维初始条件，也有高维状态。”
除了模拟这些简单的物理系统，研究人员开发的套件还包括一系列模拟方法和工具。这些包括传统的数值方法和数据驱动的最大似然技术。
使用该套件，科学家可以对他们的ML模拟技术进行系统和客观的评估，测试其准确性、效率和稳定性。这使他们能够可靠地比较具有不同特征的工具的性能，否则很难进行比较。基准框架也可以进行配置和扩展，以考虑其他任务和计算方法。
研究人员在论文中写道:“我们设想了这项工作的结果可能被利用的三种方式。“首先，开发的数据集可用于培训和评估该领域的新机器学习技术。第二，模拟软件可用于从这些不同大小、不同初始条件维度和分布的系统生成新数据集，而训练软件可用于帮助进行进一步的实验，第三，我们的结果中看到的一些趋势可能有助于为未来的模拟机器学习任务的设计提供信息。”
这组研究人员引入的新基准套件可能很快有助于改进对模拟物理系统的现有技术和新兴技术的评估。然而，目前它并没有涵盖所有可能的模型配置和设置，因此它可以在未来进一步扩展。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
