PDEBench 开源项目使用教程

1. 项目介绍

PDEBench 是一个用于科学机器学习的广泛基准测试项目。该项目旨在提供一个多样化和全面的基准测试集，包括具有挑战性和现实物理问题。PDEBench 不仅涵盖了比现有基准更广泛的偏微分方程（PDE），还包含了各种初始和边界条件以及 PDE 参数的大型数据集。此外，PDEBench 的设计使其源代码易于扩展，鼓励科学机器学习（SciML）社区的积极参与，以改进和扩展该基准。

2. 项目快速启动

安装

使用 pip 安装

pip install --upgrade pip wheel
pip install pdebench

包含数据生成依赖项

pip install "pdebench[datagen310]"

GPU 支持

对于 GPU 支持，需要额外的平台特定说明：

• PyTorch: 支持的最新版本是 v1.13.1，请参考 PyTorch 安装指南。
• JAX: 在测试中，JAX 的模拟速度比 PyTorch 快约 6 倍，请参考 JAX GPU 安装指南。

使用 conda 安装

conda create -n myenv python=3.9
conda activate myenv
conda install deepxde hydra-core h5py -c conda-forge

数据生成

数据生成代码位于 data_gen 目录中，包括以下脚本：

• gen_diff_react.py: 生成 2D 扩散-反应数据
• gen_diff_sorp.py: 生成 1D 扩散-吸附数据
• gen_radial_dam_break.py: 生成 2D 浅水数据
• gen_ns_incomp.py: 生成 2D 非均匀不可压缩 Navier-Stokes 数据
• plot.py: 绘制生成的数据
• uploader.py: 将生成的数据上传到数据仓库

数据下载

数据下载脚本位于 data_download 目录中，推荐使用 download_direct.py 直接下载数据分片。

python data_download/download_direct.py --pde <PDE_NAME> --output_dir <OUTPUT_DIR>

3. 应用案例和最佳实践

应用案例

PDEBench 可以用于多种科学机器学习任务，包括但不限于：

• 物理模拟: 使用生成的数据集进行物理系统的模拟和预测。
• 模型训练: 使用基准数据集训练和评估不同的机器学习模型，如 FNO、U-Net 和 PINN。
• 逆问题求解: 使用逆问题数据集进行模型训练和评估。

最佳实践

• 数据预处理: 在训练模型之前，确保数据预处理步骤正确，包括数据归一化和标准化。
• 模型选择: 根据具体任务选择合适的模型，如 FNO 适用于高维数据，U-Net 适用于图像数据，PINN 适用于逆问题。
• 超参数调优: 使用网格搜索或随机搜索进行超参数调优，以获得最佳模型性能。

4. 典型生态项目

PDEBench 作为一个基准测试项目，与其他科学机器学习项目和工具紧密相关，包括：

• DeepXDE: 一个用于求解偏微分方程的深度学习库，PDEBench 中使用了 DeepXDE 作为后端。
• Hydra: 一个用于配置管理的工具，PDEBench 使用 Hydra 来管理模拟配置。
• JAX: 一个用于高性能数值计算的库，PDEBench 使用 JAX 进行快速模拟。

这些项目共同构成了一个强大的科学机器学习生态系统，PDEBench 作为其中的一个重要组成部分，为科学机器学习提供了丰富的基准数据和工具支持。