PDEBENCH: Tolok Ukur Ekstensif untuk Scientific Machine Learning

Pemodelan sistem fisik berbasis machine learning telah mengalami peningkatan minat dalam beberapa tahun terakhir. Meskipun ada beberapa kemajuan yang mengesankan, masih terdapat kekurangan tolok ukur untuk Scientific ML yang mudah digunakan namun tetap menantang dan representatif untuk berbagai masalah. Karya ini memperkenalkan PDEBench, rangkaian tolok ukur tugas simulasi bergantung waktu berdasarkan Persamaan Diferensial Parsial (PDE). PDEBench mencakup kode dan data untuk menilai kinerja model machine learning baru terhadap simulasi numerik klasik dan baseline machine learning.

Rangkaian masalah tolok ukur yang diusulkan memberikan fitur unik: (1) Rentang PDE yang jauh lebih luas dibandingkan tolok ukur yang ada, mulai dari contoh yang relatif umum hingga masalah yang lebih realistis dan sulit; (2) dataset siap pakai yang jauh lebih besar dibandingkan karya sebelumnya, mencakup beberapa kali simulasi di sejumlah kondisi awal dan batas serta parameter PDE yang lebih banyak; (3) kode sumber yang lebih dapat diperluas dengan API yang ramah pengguna untuk pembuatan data dan hasil baseline dengan model machine learning populer (FNO, U-Net, PINN, Gradient-Based Inverse Method). PDEBench memungkinkan peneliti memperluas tolok ukur secara bebas untuk keperluan mereka sendiri menggunakan API terstandardisasi dan membandingkan kinerja model baru dengan metode baseline yang ada. Kode tersedia di https://github.com/pdebench/PDEBench.