REALM
收藏资源简介：
REALM（多物理现实AI学习）是一个针对科学机器学习中多物理模拟的基准数据集，包含11个高保真数据集，涵盖从经典问题到复杂推进/火灾安全场景。数据集总大小约15 TB，包含不同类型的网格和多种物理场，旨在提供标准化的预处理、训练和评估流程，以公平比较不同模型的性能。
REALM (Multiphysics Real-world AI Learning) is a benchmark dataset for multiphysics simulation in scientific machine learning. It comprises 11 high-fidelity datasets spanning from classical problems to complex propulsion and fire safety scenarios. The total size of the dataset is approximately 15 TB, containing various types of meshes and multiple physical fields. It aims to provide standardized preprocessing, training, and evaluation workflows to enable fair performance comparisons across different models.
REALM 数据集概述
数据集基本信息
- 数据集名称：REALM (Realistic AI Learning for Multiphysics)
- 核心目标：为科学机器学习中神经代理模型的评估提供基准，专注于解决当前评估过度依赖简化基准、无法暴露模型在现实多物理场流中局限性的关键空白。
- 主要贡献：包含11个高保真数据集、一个严格的评估协议、对12个以上代表性模型家族的系统性评估，并提出了三个关键发现。
- 相关论文：Benchmarking neural surrogates on realistic spatiotemporal multiphysics flows (arXiv:2506.10862)
- 官方网站：https://realm-bench.org/
- 许可证：MIT License
数据集内容与规模
- 总数据量：约 15 TB
- 数据集数量：11 个高保真数据集
- 网格类型：包含规则网格（2D/3D）和不规则网格
- 网格规模：网格单元数量范围从 2×10⁴ 到 1.2×10⁷
- 物理场变量：每个案例包含 6 到 40 个物理场
- 轨迹数量：每个案例包含多种运行条件下的多条轨迹
- 时间步长：每条轨迹包含 20 到 50 个时间快照
数据集分类与案例
数据集分为四大类别，涵盖从基础问题到复杂应用场景。
1. 经典问题
- IgnitHIT²ᵈ：均匀各向同性湍流中的氢气点火核。
- 域：50×50 mm²， 1024×1024 网格。
- 物理：预混火焰传播，湍流-火焰相互作用。
- 轨迹：36条（变化的点火核几何形状和湍流强度）。
- ReactTGV³ᵈ：反应性泰勒-格林涡。
- 域：2π×2π×2π mm³， 256³ 网格。
- 物理：火焰-涡相互作用，熄火/再点燃。
- 轨迹：16条（变化的雷诺数和混合长度）。
2. 高马赫数流动
- PlanarDet²ᵈ：平面胞格爆震。
- 域：200×10 mm²， 840×400 网格。
- 物理：激波-反应耦合，胞格结构。
- 轨迹：9条（变化的当量比和温度）。
- PropHIT³ᵈ：湍流中的传播火焰。
- 域：42.4×5.3×5.3 δₗ， 1536×128×128 网格。
- 物理：高压下的湍流预混燃烧。
- 轨迹：8条（变化的压力和湍流强度）。
3. 推进发动机
- SupCavityFlame²ᵈ：超音速凹腔火焰。
- 域：约 3M 不规则网格单元。
- 物理：超燃冲压发动机燃烧，激波-剪切-火焰相互作用。
- 轨迹：9条（变化的喷射速度和位置）。
- SymmCoaxFlame²ᵈ / MultiCoaxFlame³ᵈ：火箭燃烧室。
- 域：295K (2D) / 13.5M (3D) 不规则网格单元。
- 物理：剪切同轴喷射，燃烧室声学。
- 轨迹：12条 (2D)， 6条 (3D)（变化的混合比和推力）。
4. 火灾危害
- PoolFire³ᵈ：浮力驱动的池火。
- 域：3×3×3 m³， 80×80×200 网格。
- 物理：羽流动力学，McCaffrey 状态。
- 轨迹：15条（变化的放热率和池尺寸）。
- FacadeFire³ᵈ：建筑立面火灾。
- 域：约 2.5M 不规则网格单元。
- 物理：隔间-立面耦合，外部火焰蔓延。
- 轨迹：9条（变化的放热率）。
数据预处理与训练框架
多尺度预处理
- Box-Cox 变换：将物种的动态范围从 O(10⁻ᵏ) 压缩到 O(1)。
- Z-score 标准化：对所有变量进行一致的标准化。
- 自回归训练：使用短时域展开进行稳定的反向传播。
支持的模型家族
- 谱算子：FNO, FFNO, CROP, DPOT, UNO, LSM
- 卷积模型：CNext
- Transformer 风格：FactFormer, Transolver, ONO, GNOT
- 点态模型：DeepONet, PointNet
- 图/网格网络：MGN, GraphUNet, GraphSAGE
关键基准测试结果
性能趋势总结
- 2D 规则案例：FFNO 和 DPOT 实现了最慢的误差增长；CNext 表现出具有竞争力的性能且伪影最小；Transformer 模型在高分辨率下受内存限制。
- 3D 规则案例：所有模型在保持精细结构方面都存在困难；FFNO 和 DPOT 保持最佳性能；误差累积速度比 2D 案例更快。
- 不规则网格案例：DeepONet 在不规则几何形状中最稳健；图模型容易过度平滑；谱方法在处理非均匀网格时存在困难。
各类别领先模型（基于排行榜）
| 类别 | 最佳模型 | 测试误差 | 相关性 |
|---|---|---|---|
| 2D 规则 | FFNO | 1.87 | 0.973 |
| 3D 规则 | FFNO | 18.45 | 0.896 |
| 2D 不规则 | DeepONet | 29.56 | 0.796 |
| 3D 不规则 | DeepONet | 23.24 | 0.768 |
数据获取与使用
安装与下载
-
克隆仓库： bash git clone https://github.com/deepflame-ai/REALM.git cd REALM pip install -r requirements.txt
-
数据访问：
- 从官方网站 https://realm-bench.org/ 下载。
- 使用脚本下载特定案例或全部数据集： bash python scripts/download_data.py --case IgnitHIT python scripts/download_data.py --all
快速开始示例
python from realm import REALMDataset, REALMTrainer from realm.models import FFNO
加载数据集
dataset = REALMDataset( case="IgnitHIT", split="train", preprocessing="standard" )
初始化模型
model = FFNO( in_channels=12, out_channels=12, modes=(16, 16), width=128 )
训练
trainer = REALMTrainer( model=model, dataset=dataset, rollout_steps=2, max_lr=1e-3 ) trainer.fit()
模型评估
bash python scripts/evaluate.py --case IgnitHIT --model FFNO --checkpoint path/to/checkpoint.pt --metrics all
方法论基础
控制方程
多物理场反应流由以下方程控制：
∂q/∂t + ∇·F(q) - ∇·D(q,∇q) + S(q) = 0
其中：
- q：守恒变量 [ρ, ρu, ρe, ρY₁, ..., ρYₙ]
- F：对流通量
- D：扩散通量
- S：化学源项（刚性 ODEs）
训练协议
- 预处理：对物种进行 Box-Cox 变换 (λ=0.1)；对所有场进行 Z-score 标准化。
- 训练：短时域自回归展开；按物理变量类型分组计算损失；使用 OneCycle 学习率调度。
- 评估：全时域自回归展开；评估指标包括 MSE、相关性、SSIM 和推理时间。
引用
如需在研究中使用 REALM，请引用： bibtex @article{mao2025realm, title={Benchmarking neural surrogates on realistic spatiotemporal multiphysics flows}, author={Mao, Runze and Zhang, Rui and Bai, Xuan and others}, journal={arXiv preprint arXiv:2506.10862}, year={2025} }
