Neptuna:可压缩多相间断流中的机器学习架构比较

6 十一月 202614 视图

Neptuna 是一项大型基准测试,包含 3 TB 的计算数据,用于研究冲击波作用下的气泡塌缩和液滴破碎,并对卷积模型、谱模型、Transformer 模型及预训练 PDE 模型进行评测。结论是:没有普遍领先的模型,而复合损失函数和 SoftAdapt 有助于更好地保持界面,并更准确地复现频谱。

Neptuna:可压缩多相间断流中的机器学习架构比较

基准测试任务

Neptuna 是首个面向冲击激发可压缩多相流的大规模基准测试。它旨在利用含有冲击波和材料界面的数据比较 ML 模型。该基准测试评估的不是单一架构,而是架构、损失函数和指标的组合。

评估组件选项
架构卷积模型、谱模型、Transformer、PDE 基础模型
损失函数MSE、复合损失函数、SoftAdapt、GradNorm
指标逐点指标、谱指标、特征导向指标、结构指标、物理感知指标

结论:该基准测试为可复现的比较提供了统一平台。实践标准:使用它在相同数据和指标上比较模型。

数据与物理

该基准测试包含 3 TB 的高精度 2D 和 3D 数据。这些数据描述了冲击波引发的气泡塌缩和液滴破碎。这类流动中存在冲击波和材料界面。

强非线性交互会导致复杂的界面变形、混合和多尺度动力学。构建可靠的代理模型面临三项挑战:

  • 可压缩性;
  • 不连续性;
  • 多相效应。

这些因素会同时出现。

结论:这些数据会检验模型处理不连续性和界面的能力。实践标准:在验证中纳入包含不连续性和界面的场景。

比较的架构

该基准测试评估了卷积模型、谱模型和基于 Transformer 的模型。评估还包括预训练的 PDE 基础模型。该基准测试在具有不连续性的可压缩多相流上检验这些模型类别。

比较涵盖了构建代理模型的不同方法,并不局限于单一类别。所有架构都在相同的数据和指标上进行评估。

结论:应根据任务选择架构,而不是根据所属类别的名称来选择。实践标准:在架构将要应用的数据集上进行测试。

损失函数

基准测试中的标准训练使用 MSE。此外还测试了复合损失函数,将 MSE 与 Sobolev、界面感知和结构感知组件结合起来。

损失的自适应平衡采用了 SoftAdapt 和 GradNorm。该基准测试包含这两种方法。

选项组成
MSE基础损失函数
复合损失函数MSE + Sobolev + 界面感知 + 结构感知
SoftAdapt自适应损失平衡
GradNorm自适应损失平衡

结论:损失函数的选择取决于目标指标。实践标准:如需测试自适应平衡,应纳入 SoftAdapt 和 GradNorm。

评估指标

评估包含五组指标:

  • 逐点指标;
  • 谱指标;
  • 特征导向指标;
  • 结构指标;
  • 物理感知指标。

指标集具有多维性。结论:不能只依据单一指标判断模型。实践标准:预先确定对任务至关重要的指标组。

比较结果

没有任何模型在所有数据集和所有指标上都表现最佳。这一结果适用于不同架构和配置。复合损失函数显著提升了界面保留能力和谱精度。

与仅使用 MSE 训练相比,SoftAdapt 带来了最稳定的改进,且几乎没有增加计算开销。GradNorm 也纳入了评估。没有一个方法在所有指标上都胜出。

比较内容结论
架构没有任何一种在所有数据集和指标上都表现最佳
复合损失函数提升界面保留能力和谱精度
SoftAdapt带来最稳定的改进,且几乎没有增加额外开销

结论:选择取决于数据集和指标。实践标准:先确定关键指标,再在目标数据集上测试损失函数和架构。

状态与访问

Neptuna 论文已被 NeurIPS-2026(Evaluations and Datasets Track)接收。论文于 2026 年 7 月 24 日提交(v1);最新版本于 2026 年 10 月 18 日发布(v3)。arXiv:2607.22280。

基准测试代码库和数据集可通过 this https URL 获取。这使得复现评估并将模型与基准测试结果进行比较成为可能。

结论:该基准测试可供实际验证。实践标准:使用代码库作为可复现比较的基础。

常问问题

Neptuna:可压缩多相间断流中的机器学习架构比较