Multiphysics Bench

github2025-05-26 更新2025-05-27 收录

下载链接：

https://github.com/xie-lab-ml/multiphysics-bench

下载链接

链接失效反馈

官方服务：

资源简介：

我们提出了第一个通用的多物理场基准数据集，涵盖了电磁学、热传导、流体流动、固体力学、压力声学和质量传输等领域的六种典型耦合场景。该基准具有最全面的耦合类型、最多样的偏微分方程和最大的数据规模。

We present the first general-purpose multiphysics benchmark dataset, covering six typical coupled scenarios across the domains of electromagnetism, heat conduction, fluid flow, solid mechanics, pressure acoustics, and mass transport. This benchmark features the most comprehensive coupling types, the most diverse partial differential equations, and the largest dataset size.

创建时间：

2025-05-16

原始信息汇总

Multiphysics Bench 数据集概述

数据集基本信息

数据集名称: Multiphysics Bench
数据集地址: https://huggingface.co/datasets/Indulge-Bai/Multiphysics_Bench
相关论文: Multiphysics Bench: Benchmarking and Investigating Scientific Machine Learning for Multiphysics PDEs
数据集特点: 首个通用多物理场基准数据集，涵盖电磁学、热传导、流体流动、固体力学、压力声学和质量传输等领域的六种典型耦合场景，具有最全面的耦合类型、最多样的偏微分方程（PDEs）和最大的数据规模。

数据集结构

训练集: training.tar.gz
测试集: testing.tar.gz
目录结构:

Multiphysics_Bench/ ├── training/ │ ├── problem_1/ │ ├── problem_2/ │ └── ... ├── testing/ │ ├── problem_1/ │ ├── problem_2/ │ └── ... └── README.md

多物理场问题

1. 电热耦合 (Electro-Thermal Coupling)

应用领域: 电子元件热管理、感应加热、生物医学技术、航空航天工程。
输入: 1通道 (mater)
输出: 3通道 (Re{Ez}, Im{Ez}, T)
数据格式: .csv 和 .mat 文件

2. 热流体耦合 (Thermo-Fluid Coupling)

应用领域: 电子冷却、能源系统、制造中的精密热控制。
输入: 1通道 (Q_heat)
输出: 3通道 (u, v, T)
数据格式: .csv 文件

3. 电流体耦合 (Electro-Fluid Coupling)

应用领域: 微流控系统中的微泵和微混合器。
输入: 1通道 (kappa)
输出: 3通道 (ec_V, u_flow, v_flow)
数据格式: .mat 文件

4. 磁流体动力学耦合 (Magneto-Hydrodynamic (MHD) Coupling)

应用领域: 电磁泵、等离子体约束装置、天体物理现象、污染物传输建模。
输入: 1通道 (Br)
输出: 5通道 (Jx, Jy, Jz, u_u, u_v)
数据格式: .mat 文件

5. 声-结构耦合 (Acoustic–Structure Coupling)

输入: 1通道 (rho_water)
输出: 12通道 (包括声压场、应力分量和结构位移)
数据格式: .mat 文件

6. 质量传输-流体耦合 (Mass Transport–Fluid Coupling)

输入: 4通道 (S_c, u_u(t0), u_v(t0), c_flow(t0))
输出: 30通道 (预测未来10个时间步的浓度和速度场)
数据格式: .mat 文件

数据生成与处理

数据生成: 使用MATLAB (.m 文件)
数据处理: 使用Python (.py 文件)
数据生成代码路径: DataProcessing/data_generate/

训练与评估

支持模型: DeepONet, PINNs, FNO, DiffusionPDE
训练与评估脚本: train.py 和 evaluate.py
注意事项: 需提前设置数据集路径（如 Elder_train_128.pt）

下载方式

直接下载: 访问 huggingface.co/datasets/Indulge-Bai/Multiphysics_Bench
代码下载: python from huggingface_hub import snapshot_download folder_path = snapshot_download( repo_id="Indulge-Bai/Multiphysics_Bench", repo_type="dataset" )

搜集汇总

数据集介绍

构建方式

Multiphysics Bench数据集通过数值模拟方法构建，涵盖电磁学、热传导、流体力学、固体力学、压力声学和质量传输等六大多物理场耦合场景。采用MATLAB脚本生成原始数据，每个物理问题对应独立的.m文件进行参数化建模与矩阵转换，确保数据生成的精确性和可重复性。数据预处理阶段通过Python脚本将原始CSV和MAT文件转换为标准化的张量格式，形成层次分明的训练集和测试集目录结构，便于机器学习模型的直接调用。

使用方法

用户可通过Hugging Face Hub的snapshot_download接口直接获取压缩数据集，解压后运行预处理脚本转换为PyTorch张量格式。每个物理问题的数据目录包含明确标注的输入输出文件，MATLAB生成脚本与Python处理代码并存的设计兼顾了数值模拟的精确性和机器学习框架的兼容性。训练时需根据模型类型选择对应目录的train.py脚本，并预先配置好数据路径参数。评估阶段可通过evaluate.py脚本测试模型在标准化测试集上的性能，与FNO和DiffusionPDE等基准模型的对接需参考其官方文档实现。

背景与挑战

背景概述

Multiphysics Bench数据集由Indulge-Bai团队于2024年推出，是首个面向多物理场耦合问题的综合性基准数据集。该数据集涵盖了电磁学、传热学、流体力学、固体力学、压力声学和质量传输等六大领域的典型耦合场景，包含最丰富的耦合类型、最多样的偏微分方程以及最大规模的数据量。其核心研究目标在于为科学机器学习领域提供标准化评估工具，推动复杂多物理场系统的建模与仿真技术发展。该数据集的建立填补了跨学科物理场耦合研究缺乏统一基准的空白，对加速工业设计优化、生物医学工程和能源系统研究具有重要价值。

当前挑战

在解决领域问题方面，该数据集面临多物理场耦合机制的非线性特征建模、跨尺度物理现象的统一表征，以及高维输出空间的可解释性等核心挑战。构建过程中需克服多物理场仿真数据生成的巨大计算成本，确保不同耦合场景间数据标准的统一性，并解决复杂边界条件下数值模拟的稳定性问题。数据集的12-30通道高维输出特性，对机器学习模型的表征能力提出了前所未有的要求，如何有效捕捉物理场间的相互作用规律成为关键难点。

常用场景

经典使用场景

在跨学科物理建模领域，Multiphysics Bench数据集为研究人员提供了一个标准化的测试平台，尤其适用于电磁学、热传导、流体力学、固体力学、压力声学和物质传输等耦合场景的模拟。该数据集通过整合多种偏微分方程（PDEs）的耦合类型，为科学机器学习（SciML）算法的开发与验证提供了丰富的数据支持。经典使用场景包括电子元件热管理、微流体系统设计以及等离子体约束装置的仿真，这些场景均依赖于多物理场的精确耦合计算。

解决学术问题

Multiphysics Bench数据集解决了科学机器学习领域的一个关键问题：缺乏统一且多样化的多物理场耦合基准数据。传统研究往往局限于单一物理场或简单耦合场景，而该数据集通过涵盖六种典型耦合机制，为算法性能的全面评估提供了可能。其意义在于推动了复杂耦合PDEs求解方法的发展，并为跨学科研究提供了数据基础，从而加速了从理论到应用的转化过程。

实际应用

该数据集的实际应用广泛覆盖工程与科学领域。例如，在电子冷却系统中，Thermo-Fluid耦合数据可用于优化芯片散热设计；在生物医学领域，Electro-Thermal耦合数据支持光热疗法的模拟；而Acoustic–Structure耦合数据则有助于声学设备的性能改进。这些应用不仅验证了数据集的实用性，还为工业界提供了高效的仿真工具，缩短了研发周期。

数据集最近研究