此文档展示 PaddlePaddle Hackathon 第五期活动——开源贡献个人挑战赛科学计算方向任务 详细介绍,更多详见 PaddlePaddle Hackathon 说明。
- 开发之前请撰写 RFC 文档:PaddleSciece RFC 文档
- 要求基于 PaddleScience 套件进行开发,开发文档参考:https://paddlescience-docs.readthedocs.io/zh/latest/zh/development/。
- 复现整体流程可以参考:https://paddlescience-docs.readthedocs.io/zh/latest/zh/reproduction/#21 ,复现完成后需供必要的训练产物,包括训练结束后保存的打印信息日志文件、
.pdparams
格式的模型权重参数文件(可用网盘的方式提交)、撰写的案例文档。 - 理解复现流程后,可以参考 PaddleScience 开发文档:https://paddlescience-docs.readthedocs.io/zh/latest/zh/development/ ,了解各个模块如何进行开发、修改,以及参考API文档,了解各个现有API的功能和作用:https://paddlescience-docs.readthedocs.io/zh/latest/zh/api/arch/ 。
- 案例文档撰写格式可参考 https://paddlescience-docs.readthedocs.io/zh/latest/zh/examples/darcy2d/ ,最终合入后会被渲染并展示在 PaddleScience 官网文档。
- 如在复现过程中出现需添加的功能无法兼容现有 PaddleScience API 体系(PaddleScience API 文档),则可与论文复现指导人说明情况,并视情况允许直接基于 Paddle API 进行复现。
- 若参考代码为 pytorch,则复现过程可以尝试使用 PaConvert(https://github.com/PaddlePaddle/PaConvert )辅助完成代码转换工作,然后可以尝试使用 PaDiff(https://github.com/PaddlePaddle/PaDiff )工具辅助完成前反向精度对齐,从而提高复现效率。
参考模型复现指南验收标准部分 https://paddlescience-docs.readthedocs.io/zh/latest/zh/reproduction/#3
No.53:NSFnets (Navier-Stokes Flow nets): Physics-informed neural networks for the incompressible Navier-Stokes equations
论文链接:
https://arxiv.org/abs/2003.06496
复现:
Kovasznay flow + cylinder wake + Beltrami flow,三个案例和指标
参考代码链接:
https://github.com/Alexzihaohu/NSFnets/blob/master/
No.54:NSFnets (Navier-Stokes Flow nets): Physics-informed neural networks for the incompressible Navier-Stokes equations
论文链接:
https://arxiv.org/abs/2003.06496
复现:
Turbulent channel flow,复现湍流案例和指标
参考代码链接:
https://github.com/Alexzihaohu/NSFnets/blob/master/
No.55:Fourier-MIONet: Fourier-enhanced multiple-input neural operators for multiphase modeling of geological carbon sequestration
论文链接:
https://arxiv.org/pdf/2303.04778
参考代码链接:
https://github.com/lu-group/mionet
论文链接:
https://arxiv.org/abs/1711.10561
参考代码链接:
https://github.com/314arhaam/heat-pinn/tree/main
论文链接:
https://arxiv.org/abs/1709.09578
参考代码链接:
https://github.com/ISosnovik/nn4topopt
复现目标:
该论文为数据驱动,案例之间代码相同,数据集不同(案例代码生成),要求复现全部四个案例,并合入PaddleScience
论文链接:
https://arxiv.org/abs/2204.12088
参考代码链接:
https://github.com/meghbali/ANNElastoplasticity、https://github.com/meghbali/WGImplicit
复现目标:
复现epnn模型,并根据代码中提供的数据训练、推理,并合入PaddleScience
论文链接:
https://arxiv.org/abs/2109.07143
参考代码链接:
https://github.com/wandeln/Spline_PINN/tree/main
复现目标:
复现 turbulent flow (Re = 10000, µ = 0.01, ρ = 10) 与 Wave reflections on domain boundaries.两个场景下的案例
No.60:PhyGeoNet: Physics-Informed Geometry-Adaptive Convolutional Neural Networks for Solving Parameterized Steady-State PDEs on Irregular Domain
论文链接:
https://arxiv.org/abs/2004.13145
参考代码链接:
https://github.com/Jianxun-Wang/phygeonet
复现目标:
复现参考代码中的case0、case2案例,可参考:PhyGeoNet_Paddle - 飞桨AI Studio星河社区,并合入PaddleScience
论文链接:
https://www.nature.com/articles/s41586-023-06184-4#Abs1
参考代码链接:
https://codeocean.com/capsule/3935105/tree/v1
复现目标:
复现mrms_case和mrms_large_case,可参考:NowCastNet_Paddle - 飞桨AI Studio星河社区,并合入PaddleScience
论文链接:
https://arxiv.org/abs/2212.12794
参考代码链接:
https://github.com/deepmind/graphcast
复现目标:
复现graphcast模型,能够使用参考代码中提供的预训练权重进行推理。
论文链接:
https://arxiv.org/abs/2106.14103
参考代码链接: