A simulação de sistemas fa­sicos usando ferramentas de computação pode ter inaºmeras aplicações valiosas, tanto em pesquisas quanto em configurações do mundo real. A maioria das ferramentas existentes para simular sistemas fa­sicos ébaseada na teoria da física e ca¡lculos numanãricos. Nos últimos anos, poranãm, os cientistas da computação vão tentando desenvolver técnicas que possam complementar essas ferramentas, que se baseiam na análise de grandes quantidades de dados.

Os algoritmos de aprendizado de ma¡quina (ML) são abordagens particularmente promissoras para a análise de dados. Portanto, muitos cientistas da computação desenvolveram técnicas de ML que podem aprender a simular sistemas fa­sicos por meio da análise de dados experimentais.

Embora algumas dessas ferramentas tenham alcana§ado resultados nota¡veis, avalia¡-las e compara¡-las com outras abordagens pode ser um desafio devido a  enorme variedade de manãtodos existentes e a s diferenças nas tarefas para as quais foram projetados. Atéagora, portanto, essas ferramentas foram avaliadas usando diferentes estruturas e manãtricas.

Pesquisadores da New York University desenvolveram um novo conjunto de benchmarks que pode ser usado para avaliar modelos de simulação de sistemas fa­sicos. Este conjunto, apresentado em um artigo pré-publicado no arXiv , pode ser adaptado, adaptado e estendido para avaliar uma variedade de técnicas de simulação baseadas em ML.

“Na³s introduzimos um conjunto de problemas de benchmark para dar um passo em direção a benchmarks unificados e protocolos de avaliação”, escreveram os pesquisadores em seu artigo. "Propomos quatro sistemas fa­sicos representativos, bem como uma coleção de integradores de tempo cla¡ssicos amplamente usados ​​e manãtodos orientados a dados representativos (baseado em kernel, MLP, CNN, vizinhos mais pra³ximos)."

O conjunto de benchmark desenvolvido pelos pesquisadores contanãm simulações de quatro modelos fa­sicos simples com configurações de treinamento e avaliação. Os quatro sistemas são: uma única mola oscilante, uma equação de onda linear unidimensional (1D), um problema de fluxo de Navier-Stokes e uma malha de molas amortecidas.

"Esses sistemas representam uma progressão de complexidade", explicaram os pesquisadores em seu artigo. "O sistema de mola éum sistema linear com espaço de baixa dimensão das condições iniciais e estado de baixa dimensão; a equação de onda éum sistema linear de baixa dimensão com um espaço de estado de dimensão (relativamente) alta após discretização; as equações de Navier-Stokes são não lineares e consideramos uma configuração com condições iniciais de baixa dimensão e espaço de estado de alta dimensão; finalmente, o sistema de malha de mola tem condições iniciais de alta dimensão, bem como estados de alta dimensão. "

Além de simulações desses sistemas fa­sicos simples, a sua­te desenvolvida pelos pesquisadores inclui uma coleção de abordagens e ferramentas de simulação. Isso inclui abordagens numanãricas tradicionais e técnicas de ML baseadas em dados.

Usando o pacote, os cientistas podem realizar avaliações sistema¡ticas e objetivas de suas técnicas de simulação de ML, testando sua precisão, eficiência e estabilidade. Isso permite que eles comparem de forma confia¡vel o desempenho de ferramentas com caracteri­sticas diferentes, que de outra forma seriam difa­ceis de comparar. A estrutura de referaªncia também pode ser configurada e estendida para considerar outras tarefas e abordagens computacionais.

"Vislumbramos três maneiras pelas quais os resultados deste trabalho podem ser usados", escreveram os pesquisadores em seu artigo. "Em primeiro lugar, os conjuntos de dados desenvolvidos podem ser usados ​​para treinar e avaliar novas técnicas de aprendizado de ma¡quina nessa área. Em segundo lugar, o software de simulação pode ser usado para gerar novos conjuntos de dados a partir desses sistemas de tamanhos diferentes, dimensionalidade de condição inicial diferente e distribuição, durante o treinamento o software pode ser usado para auxiliar na realização de novos experimentos e, em terceiro lugar, algumas das tendaªncias vistas em nossos resultados podem ajudar a informar o projeto de futuras tarefas de aprendizado de ma¡quina para simulação . "

O novo conjunto de benchmarks introduzido por esta equipe de pesquisadores podera¡ em breve ajudar a melhorar a avaliação das técnicas existentes e emergentes para simular sistemas fa­sicos . Atualmente, no entanto, ele não cobre todas as configurações e configurações de modelo possa­veis, portanto, ele pode ser expandido no futuro.