GyroFlow
генеративные чекпоинты для гирокинетики
2 мин чтенияобновлено
Временный релиз весов научной модели GyroFlow для симуляции турбулентности плазмы и расчёта теплового потока. Внутри лежат чекпоинты автоэнкодера (модели сжатия данных в компактное представление) и диффузионного трансформера с flow-matching (DiT — архитектура для генерации состояний по траекториям), обученные в рамках проекта neural-gyrokinetics от ml-jku. Репозиторий позволяет воспроизвести оценку теплового потока на готовых траекториях без необходимости скачивать полный обучающий датасет. Подойдёт исследователям в области вычислительной физики и научного машинного обучения.
Ключевые особенности
- Двухкомпонентная связка: обученный автоэнкодер (400 эпох) и flow-matching DiT (120 эпох) в формате PyTorch (
.pth). - В комплекте идут оригинальные конфиги обучения (
config.yaml), параметры генерации (generate_gyroflow.yaml) и статистики нормализации обучающего набора. - Для проверки качества достаточно загрузить только лёгкие метаданные траекторий из датасета
cbc-gyroswin-256traj.
Что можно сделать
- Воспроизвести расчёт усреднённого по времени теплового потока (Qbar RMSE) на 31 траектории из тестового распределения (ID) и на вневыборочных сценариях (OOD).
- Использовать готовые веса и статистики нормализации как отправную точку для экспериментов с нейросетями в гирокинетическом моделировании на базе репозитория
ml-jku/neural-gyrokinetics.
Пример
from huggingface_hub import snapshot_download
snapshot_download(
"gerkone/cbc-gyroswin-256traj",
repo_type="dataset",
allow_patterns=["id/*/metadata_light.npz", "ood/*/metadata_light.npz"],
local_dir="data/preprocessed_kvikio"
)
Подробнее
Ожидаемый Qbar RMSE на 31 ID-траектории — 19.0 (Table 1 из статьи), наood_iteration_0-4 — около 14.Параметры сэмплирования: 128 сэмплов, 15 шагов метода Эйлера,
latent_scale 0.0478053.Для запуска скрипта оценки требуется PR #10 из репозитория
ml-jku/neural-gyrokinetics; позже ожидается полноценный релиз.









Комментарии