ScireX WNO Darcy Physics
решение уравнений Дарси без разметки
2 мин чтения
Обученный нейронный оператор WNO (Wavelet Neural Operator — архитектура для решения дифференциальных уравнений в частных производных) от проекта zenteiq-ai из open-source библиотеки scirex (JAX/Flax). Модель принимает на вход поле проницаемости на сетке 85 на 85 точек и предсказывает поле давления на той же сетке для двумерной задачи течения Дарси. Главная особенность этого чекпоинта — обучение исключительно на физике процесса (минимизация энергии Ритца Q4) без использования готовых размеченных решений, но с добавлением неразмеченных полей проницаемости. Подойдёт исследователям и инженерам в области научного машинного обучения (SciML) и численного моделирования.
Ключевые особенности
- Компактная архитектура WNO на 2 829 601 параметр, реализованная на стеке JAX и Flax.
- Обучение полностью без разметки (label-free): использованы 20 000 полей коэффициентов (1000 из базового датасета плюс дополнительно сгенерированные неразмеченные поля).
- Показывает относительную ошибку Test relative L2 на уровне 1.262%, обходя data-driven запуск этого же проекта (2.020%).
- В комплект входят веса
model.safetensors, статистики нормализации вconfig.jsonи эталонный примерsample.safetensorsдля проверки.
Что можно сделать
- Запустить инференс из репозитория scirex на тестовом примере
sample.safetensorsили полном датасете Darcy 2D для воспроизведения бенчмарка. - Сравнить точность physics-only подхода на базе WNO с другими архитектурами из той же линейки тестов (FNO, GINO, Transolver) или с data-driven версией модели.
- Использовать как базовый ориентир (baseline) при разработке собственных нейронных операторов для задач фильтрации и гидродинамики.
Пример
hf download zenteiq-ai/scirex-wno-darcy-physics-extra-fields --local-dir ckpt/scirex-wno-darcy-physics-extra-fields
python scripts/benchmarks/darcy_physics/infer.py --checkpoint ckpt/scirex-wno-darcy-physics-extra-fields --sample
Подробнее
Метрика: Test relative L2 — 1.262% (теоретический предел точного решателя Q4 для этой постановки — 0.31%, опубликованный data-driven ориентир Tripura и Chakraborty — около 0.84%).Обучение: 200 000 шагов (AdamW, lr 1e-3, batch 20), ~170 минут на запуск; модель не доведена до полной сходимости из-за бюджета вычислений.
Ограничения: работает корректно только в пределах диапазона входных данных датасета (Li et al., ICLR 2021) и не предназначена для критически важных расчётов безопасности без отдельной валидации.
Важно: для работы весов обязательно нужны статистики нормализации из файла
config.json. Лицензия весов — Apache 2.0.









Комментарии