用于解决复杂物理问题的机器学习(ML)技术的整合越来越被认为是加快模拟的有前途的途径。但是,评估ML衍生的物理模型在工业环境中的采用构成了重大挑战。本竞赛旨在促进创新的ML方法来应对身体挑战,利用我们最近引入的统一评估框架,称为学习工业物理模拟(LIPS)。建立在2023年11月至2024年3月1日举行的初步版本上,该迭代以良好的物理应用为基础的任务为基础:使用我们建议的Airfrans数据集,翼型设计模拟。竞争基于各种标准评估解决方案,包括ML准确性,计算效率,分布外部性能和遵守物理原理。值得注意的是,这项竞争代表了探索ML驱动的替代方法的开创性努力,旨在优化物理模拟中计算效率和辅助性之间的权衡。托管在Codabench平台上,比赛为所有参与解决方案提供了在线培训和评估。
Sagar Srinivas Sakhinana:迈向人层对复杂过程工程示意图的理解:一个教学内省的多项式框架,用于开放域问题答案
