近年来,人工智能技术日新月异,创新成果赋能生物医学、材料、金融、气象等千行百业。人工智能技术引领的新一轮科技革命和产业变革浪潮,将成为未来世界经济和高端制造的主导技术,更会对中国现代化产业体系建设发挥无可替代的作用。立足新时代,百度飞桨携广东省计算数学学会诚邀全国AI爱好者与研究人员参与2023年“大湾区杯”粤港澳AI4S(AI for Science)竞赛。
赛事简介
本届大赛面向全国AI及交叉学科领域相关的师生、科研人员以及产业界人士等,围绕AI赋能分子动力学、金融、数字经济、智慧交通、流体、生物医学、社会科学、海洋气象等领域应用,提供AI探索各类科研领域的多种类型赛题。题目涉及数据驱动、机理融合等多种范式的AI for Science任务求解等类型,在此基础上设置百度专属赛道,助力全国精英挖掘各领域的创新潜力,挑战数字时代前沿课题,用AI为世界创造更多可能性!
赛题介绍
百度飞桨(PaddlePaddle)将 AI 方法应用于典型的科学与工程领域,促进数学、物理、化学、生物等多个学科的交叉融合。目前针对通用物理科学、生物计算、量子机器学习领域发布了赛桨PaddleScience、螺旋桨PaddleHelix、量桨Paddle Quantum工具,并全量适配深度学习科学计算工具DeepXDE,提供数据驱动、数理融合等多种AI for Science方法模型,提供复杂外形障碍物绕流、结构应力应变分析、设备对流散热、材料分子模拟以及气象预报等等丰富领域算例,广泛支持AI+计算力学、生物计算、量子计算等前沿方向的科研和产业应用。
其中AI for Science工具组件赛桨PaddleScience,是国内首个基于AI框架的公开且可应用于计算流体力学(CFD)领域的工具,提供端到端的应用API,重点围绕高水平科研活动场景,解决重大科研问题。
本届大赛百度专属赛题结合飞桨深度学习框架以及PaddleScience、DeepXDE等科学计算组件,设置了八大赛题,既提供确定性的科研探索任务,同时也为进一步促进科研生态繁荣建立领域任务开放赛道。
具体赛题设置如下,快来看一看有没有你感兴趣的赛题吧!
赛题一:【开放赛题】AI+流体&结构开放赛题
流体、结构作为基础学科,其应用在生活中随处可见,如在建筑物的设计中,需考虑到风荷载、地震力、温度变化等外部载荷对建筑结构的影响;在航空航天工程中,飞行器需要考虑气动性能与气动布局优化,同时还需要考虑飞行器结构的强度和稳定性等等。
针对流体、结构等科学问题的求解,传统方法一般是基于数值差分的形式,并在工程化的软件上实现,如CFD&CAE工具。随着AI方法的不断发展,如PINN、FNO、DeepONet等方法不断应用在PDE方程的求解,同时在NLP、CV等领域中大放异彩的Transformer、GNN、VAE、Diffusion等网络模型也都在不断被应用于领域科学问题的探索。目前,基于数据驱动、机理驱动以及数理融合等模式的方法正在成为AI应用于基础学科的新科研范式。
图 流体、结构领域应用
赛题二:【开放赛题】AI+气象&海洋开放赛题
在气象以及海洋等环境领域,依托气象、海洋等大尺度的数据支持,基于数据驱动的深度学习方法在气象、海洋环境等预测方面面临着十分广阔的前景,将人工智能技术应用到天气气候预测领域中,提高极端灾害性天气的预报水平,已成为整个行业研究的热点方向。尤其是近年来DeepMind、NVIDIA以及国内的各大科研机构均开展了大量的科研探索与落地应用,带来了如FourCastNet、 GraphCast、风乌、NowcastNet等经典的气象模型,这些深度学习模型也正在被国内气象单位应用、完善,并在极端天气预报、海洋海况预报等各类场景中发挥价值。
图 AI+气象应用
赛题三:【开放赛题】AI+分子&生化开放赛题
机器学习的目标是从大数据集中提取复杂的模式和关系,以预测数据的特定属性。其基本思想是存在着输入(像素)和输出(标签)之间的复杂关系,其明确形式未知,但可以通过合适的算法进行推断。这样的操作原理在描述原子和分子系统时也可以非常有用。近年来,越来越多的机器学习算法用来解决分子模拟,药物分子设计、属性预测、材料设计等各类分子层面的任务。
赛题四:【确定赛题】为PaddleScience添加多任务学习模块
应用深度学习方法求解科学计算时,损失函数包含多项组成,如PINN(Physics Informed Neural Network)方法求解物理问题中,损失函数一般包含方程PDE残差项、初始值IC、边界条件BC,这些不同的损失项各自具有不同的权重,而不同的权重设置会对收敛结果产生较大的影响。从问题本质来看,这是典型的多任务学习(Multi-Task Learning,MTL),如何平衡不同的损失函数,使得最终学习到的模型具备较好的泛化性能,则是多任务学习领域的一个研究目标。因此希望引入多任务学习的优秀方法,在训练时自动平衡不同损失函数的权重,从而减少人工调整成本。
赛题五:【确定赛题】基于飞桨机器学习模型实现CFD网格敏感性分析
计算流体力学(CFD)是21世纪流体力学领域的重要技术之一,使用数值方法在计算机中对流体力学的控制方程进行求解,从而可预测流场的流动。目前有多种成熟的 CFD 软件,如 FLUENT、OpenFoam等。为了求解流体力学的控制方程,一个必要的前提是有适合数值方法的离散网格。生成离散网格的软件也有多种,比如 ICEM、GAMBIT等。离散网格的质量(Quality)是影响 CFD 求解的关键因素。但在经典的 CFD 求解流程中,离散网格的生成仅有一些指导经验。为了生成一个高质量的离散网格,往往需要对 CFD 求解结果进行网格敏感性分析(Mesh Sensitiviy Study)。这通常是一个耗时且无法省略的过程。
近年来基于机器学习的方法在流体力学领域较为流行,利用机器学习能够加速流体力学求解。本赛题希望通过基于飞桨机器学习模型来实现网格敏感性分析,并与利用 CFD 求解进行的网格敏感性分析进行对比。
赛题六:【确定赛题】基于飞桨机器学习模型实现SPH模拟
SPH(Smoothed Particle Hydrodynamics)算法是一种基于拉格朗日粒子动力学方法的流体模拟算法,该方法被广泛应用于海洋、船舶领域。现有 SPH 求解器的计算时长与粒子数量成正比关系,难以处理大规模体系模拟。近年来基于机器学习的方法在流体力学领域较为流行,利用机器学习能够加速流体力学求解。本赛题希望通过基于飞桨机器学习模型来实现 SPH 模拟,并与利用 WCSPH 等经典 SPH 求解器得到的结果进行对比。
赛题七:【确定赛题】基于PaddleScience实现汽车外流定常绕流流场复现
在实际工程中,设备通常为复杂结构外形,如汽车、飞行器等均为复杂的拓扑外形设计。随着PINN方法将物理机理融合到神经网络的学习中,基于机理驱动的DL方法不断被用于探索流体、结构等领域问题,而现有的分析过程通常导入给定的训练点(结构外形、外部网格位置均给定),这要求很大的前处理工作。本赛题希望基于PaddleScience中提供的STL解析功能以及多种训练点采用功能,实现PINN方法求解复杂3D外形下的定常流场信息。
赛题八:【确定赛题】基于PaddleScience的3D强迫各项同性瞬态湍流流场复现
在深度学习中,PINN方法由于具有良好的物理可解释性及从原理上呈现的“无截断误差”特点,从发现之间,一直是AI for Science领域中的研究热点。然而对于复杂流场,尤其是高雷诺场景,存在不同量级的能量体,以及伴随着流场中涡脱落过程的能量耗散等,如何应用PINN方法,实现高精度的复杂流场重构一直是阻碍PINN方法深入落地的堵点。本赛题希望通过PINN方法和DNS湍流数据作为参考,来探索基于深度学习方法实现3D强迫各项同性瞬态湍流流场的高精度复现。
奖项设置
本次竞赛设置特等奖、一等奖、二等奖、优胜奖,并同时颁发获奖证书。
比赛成果优秀者,还可以获得择优实习的机会,心动不如行动,点击“阅读原文”立即报名!
报名链接
https://www.wjx.top/vm/e2NFTQK.aspx
赛题详细说明
https://my5353.com/yvv2y
相关链接
-
飞桨PaddleScience工具组件
https://github.com/PaddlePaddle/PaddleScience
-
飞桨AI for Science流体力学公开课第一期
https://aistudio.baidu.com/aistudio/course/introduce/27926
-
飞桨科学计算实训示例
https://aistudio.baidu.com/aistudio/projectoverview/public?topic=15
-
飞桨AI for Science共创计划
https://www.paddlepaddle.org.cn/science
-
飞桨PPSIG-Science小组
https://www.paddlepaddle.org.cn/specialgroupdetail?id=9
-
如何注册AI Studio
https://aistudio.baidu.com/aistudio/index
关注【飞桨PaddlePaddle】公众号
获取更多技术内容~