Developed with PaddlePaddle
🔥 IJCAI 2024: 任意三维几何外形车辆的风阻快速预测竞赛,track A, B, C 代码:
PaddleScience 是一个基于深度学习框架 PaddlePaddle 开发的科学计算套件,利用深度神经网络的学习能力和 PaddlePaddle 框架的自动(高阶)微分机制,解决物理、化学、气象等领域的问题。支持物理机理驱动、数据驱动、数理融合三种求解方式,并提供了基础 API 和详尽文档供用户使用与二次开发。
数学(AI for Math)
问题类型 | 案例名称 | 优化算法 | 模型类型 | 训练方式 | 数据集 | 参考资料 |
---|---|---|---|---|---|---|
亥姆霍兹方程 | SPINN(Helmholtz3D) | 机理驱动 | SPINN | 无监督学习 | - | Paper |
相场方程 | Allen-Cahn | 机理驱动 | MLP | 无监督学习 | Data | Paper |
微分方程 | 拉普拉斯方程 | 机理驱动 | MLP | 无监督学习 | - | - |
微分方程 | 伯格斯方程 | 机理驱动 | MLP | 无监督学习 | Data | Paper |
微分方程 | 非线性偏微分方程 | 机理驱动 | PIRBN | 无监督学习 | - | Paper |
微分方程 | 洛伦兹方程 | 数据驱动 | Transformer-Physx | 监督学习 | Data | Paper |
微分方程 | 若斯叻方程 | 数据驱动 | Transformer-Physx | 监督学习 | Data | Paper |
算子学习 | DeepONet | 数据驱动 | MLP | 监督学习 | Data | Paper |
微分方程 | 梯度增强的物理知识融合 PDE 求解 | 机理驱动 | gPINN | 无监督学习 | - | Paper |
积分方程 | 沃尔泰拉积分方程 | 机理驱动 | MLP | 无监督学习 | - | Project |
微分方程 | 分数阶微分方程 | 机理驱动 | MLP | 无监督学习 | - | - |
光孤子 | Optical soliton | 机理驱动 | MLP | 无监督学习 | - | Paper |
光纤怪波 | Optical rogue wave | 机理驱动 | MLP | 无监督学习 | - | Paper |
域分解 | XPINN | 机理驱动 | MLP | 无监督学习 | - | Paper |
技术科学(AI for Technology)
问题类型 | 案例名称 | 优化算法 | 模型类型 | 训练方式 | 数据集 | 参考资料 |
---|---|---|---|---|---|---|
一维线性对流问题 | 1D 线性对流 | 数据驱动 | ViT | 监督学习 | Data | Paper |
非定常不可压流体 | 2D 方腔浮力驱动流 | 数据驱动 | ViT | 监督学习 | Data | Paper |
定常不可压流体 | Re3200 2D 定常方腔流 | 机理驱动 | MLP | 无监督学习 | - | |
定常不可压流体 | 2D 达西流 | 机理驱动 | MLP | 无监督学习 | - | |
定常不可压流体 | 2D 管道流 | 机理驱动 | MLP | 无监督学习 | - | Paper |
定常不可压流体 | 3D 颅内动脉瘤 | 机理驱动 | MLP | 无监督学习 | Data | Project |
定常不可压流体 | 任意 2D 几何体绕流 | 数据驱动 | DeepCFD | 监督学习 | - | Paper |
非定常不可压流体 | 2D 非定常方腔流 | 机理驱动 | MLP | 无监督学习 | - | - |
非定常不可压流体 | Re100 2D 圆柱绕流 | 机理驱动 | MLP | 半监督学习 | Data | Paper |
非定常不可压流体 | Re100~750 2D 圆柱绕流 | 数据驱动 | Transformer-Physx | 监督学习 | Data | Paper |
可压缩流体 | 2D 空气激波 | 机理驱动 | PINN-WE | 无监督学习 | - | Paper |
飞行器设计 | MeshGraphNets | 数据驱动 | GNN | 监督学习 | Data | Paper |
飞行器设计 | 火箭发动机真空羽流 | 数据驱动 | CNN | 监督学习 | Data | - |
飞行器设计 | Deep-Flow-Prediction | 数据驱动 | TurbNetG | 监督学习 | Data | Paper |
通用流场模拟 | 气动外形设计 | 数据驱动 | AMGNet | 监督学习 | Data | Paper |
流固耦合 | 涡激振动 | 机理驱动 | MLP | 半监督学习 | Data | Paper |
多相流 | 气液两相流 | 机理驱动 | BubbleNet | 半监督学习 | Data | Paper |
多相流 | twophasePINN | 机理驱动 | MLP | 无监督学习 | - | Paper |
多相流 | 非高斯渗透率场估计coming soon | 机理驱动 | cINN | 监督学习 | - | Paper |
流场高分辨率重构 | 2D 湍流流场重构 | 数据驱动 | tempoGAN | 监督学习 |
Train Data Eval Data |
Paper |
流场高分辨率重构 | 2D 湍流流场重构 | 数据驱动 | cycleGAN | 监督学习 |
Train Data Eval Data |
Paper |
流场高分辨率重构 | 基于Voronoi嵌入辅助深度学习的稀疏传感器全局场重建 | 数据驱动 | CNN | 监督学习 |
Data1 Data2 Data3 |
Paper |
流场高分辨率重构 | 基于扩散的流体超分重构coming soon | 数理融合 | DDPM | 监督学习 | - | Paper |
求解器耦合 | CFD-GCN | 数据驱动 | GCN | 监督学习 |
Data Mesh |
Paper |
受力分析 | 1D 欧拉梁变形 | 机理驱动 | MLP | 无监督学习 | - | - |
受力分析 | 2D 平板变形 | 机理驱动 | MLP | 无监督学习 | - | Paper |
受力分析 | 3D 连接件变形 | 机理驱动 | MLP | 无监督学习 | Data | Tutorial |
受力分析 | 结构震动模拟 | 机理驱动 | PhyLSTM | 监督学习 | Data | Paper |
受力分析 | 2D 弹塑性结构 | 机理驱动 | EPNN | 无监督学习 |
Train Data Eval Data |
Paper |
受力分析和逆问题 | 3D 汽车控制臂变形 | 机理驱动 | MLP | 无监督学习 | - | - |
拓扑优化 | 2D 拓扑优化 | 数据驱动 | TopOptNN | 监督学习 | Data | Paper |
热仿真 | 1D 换热器热仿真 | 机理驱动 | PI-DeepONet | 无监督学习 | - | - |
热仿真 | 2D 热仿真 | 机理驱动 | PINN | 无监督学习 | - | Paper |
热仿真 | 2D 芯片热仿真 | 机理驱动 | PI-DeepONet | 无监督学习 | - | Paper |
材料科学(AI for Material)
问题类型 | 案例名称 | 优化算法 | 模型类型 | 训练方式 | 数据集 | 参考资料 |
---|---|---|---|---|---|---|
材料设计 | 散射板设计(反问题) | 数理融合 | 数据驱动 | 监督学习 |
Train Data Eval Data |
Paper |
材料生成 | 面向对称感知的周期性材料生成coming soon | 数据驱动 | SyMat | 监督学习 | - | - |
地球科学(AI for Earth Science)
问题类型 | 案例名称 | 优化算法 | 模型类型 | 训练方式 | 数据集 | 参考资料 |
---|---|---|---|---|---|---|
天气预报 | Extformer-MoE 气象预报 | 数据驱动 | FourCastNet | 监督学习 | enso | - |
天气预报 | FourCastNet 气象预报 | 数据驱动 | FourCastNet | 监督学习 | ERA5 | Paper |
天气预报 | NowCastNet 气象预报 | 数据驱动 | NowCastNet | 监督学习 | MRMS | Paper |
天气预报 | GraphCast 气象预报 | 数据驱动 | GraphCastNet | 监督学习 | - | Paper |
大气污染物 | UNet 污染物扩散 | 数据驱动 | UNet | 监督学习 | Data | - |
天气预报 | DGMR 气象预报 | 数据驱动 | DGMR | 监督学习 | UK dataset | Paper |
Equation
模块支持基于 sympy 的符号计算,并支持和 python 函数混合使用(#507、#505)。Geometry
模块和 InteriorConstraint
、InitialConstraint
支持计算 SDF 微分功能(#539)。ppsci.loss.mtl
) 多任务学习模块,针对多任务优化(如 PINN 方法)进一步提升性能,使用方式:多任务学习指南(#493、#492)。请在 PaddlePaddle 官网按照您的运行环境,安装 3.0-beta 或 develop 版的 PaddlePaddle。
安装完毕之后,运行以下命令,验证 Paddle 是否安装成功。
python -c "import paddle; paddle.utils.run_check()"
如果出现 PaddlePaddle is installed successfully! Let's start deep learning with PaddlePaddle now.
信息,说明您已成功安装,可以继续安装 PaddleScience。
基础功能安装
从以下三种安装方式中,任选一种均可安装。
git 源码安装[推荐]
执行以下命令,从 github 上 clone PaddleScience 源代码,并以 editable 的方式安装 PaddleScience。
git clone -b develop https://github.com/PaddlePaddle/PaddleScience.git
# 若 github clone 速度比较慢,可以使用 gitee clone
# git clone -b develop https://gitee.com/paddlepaddle/PaddleScience.git
cd PaddleScience
# install paddlesci with editable mode
pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple
pip 安装
执行以下命令以 pip 的方式安装 release / nightly build 版本的 PaddleScience。
# release
pip install -U paddlesci
# nightly build
# pip install https://paddle-qa.bj.bcebos.com/PaddleScience/whl/latest/dist/paddlesci-0.0.0-py3-none-any.whl
设置 PYTHONPATH 并手动安装 requirements
如果在您的环境中,上述两种方式都无法正常安装,则可以选择本方式,在终端内将环境变量 PYTHONPATH
临时设置为 PaddleScience
的绝对路径,如下所示。
cd PaddleScience
export PYTHONPATH=$PYTHONPATH:$PWD # for linux
set PYTHONPATH=%cd% # for windows
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple # manually install requirements
注:上述方式的优点是步骤简单无需安装,缺点是当环境变量生效的终端被关闭后,需要重新执行上述命令设置 PYTHONPATH
才能再次使用 PaddleScience,较为繁琐。
验证安装
python -c "import ppsci; ppsci.utils.run_check()"
开始使用
import ppsci
# write your code here...
如需基于复杂几何文件(*.stl
, *.mesh
, *.obj
)文件进行训练、测试等流程,请参考完整安装流程:安装与使用
请参考 快速开始
除 PaddleScience 套件外,Paddle 框架还支持了 Modulus-sym、DeepXDE 的所有案例,分子动力学套件 DeepMD-kit 部分案例和功能。
如使用过程中遇到问题或想提出开发建议,欢迎在 Discussion 提出建议,或者在 Issue 页面新建 issue,会有专业的研发人员进行解答。
PaddleScience 项目欢迎并依赖开发人员和开源社区中的用户,会不定期推出开源活动。
在开源活动中如需使用 PaddleScience 进行开发,可参考 PaddleScience 开发与贡献指南 以提升开发效率和质量。
🎁快乐开源
旨在鼓励更多的开发者参与到飞桨科学计算社区的开源建设中,帮助社区修复 bug 或贡献 feature,加入开源、共建飞桨。了解编程基本知识的入门用户即可参与,活动进行中: PaddleScience 快乐开源活动表单
PaddleScience 作为一个开源项目,欢迎来各行各业的伙伴携手共建基于飞桨的 AI for Science 领域顶尖开源项目, 打造活跃的前瞻性的 AI for Science 开源社区,建立产学研闭环,推动科研创新与产业赋能。点击了解 飞桨AI for Science共创计划。
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。
1. Open source ecosystem
2. Collaboration, People, Software
3. Evaluation model