MARIO

模型介绍

MARIO 是由 ISAE-SUPAERO 相关团队提出的分辨率无关气动代理模型，可对不同几何构型和飞行工况下的速度场、压力场、湍流黏度场及表面压力分布进行快速预测。

本仓库基于 OneScience 技能，独立复现了 MARIO 论文中的 AirfRANS 流场预测实验。

论文：MARIO: A Modulated Neural Field Framework for Resolution-Independent Surrogate Modeling of Aerodynamics

模型描述

MARIO 基于调制条件神经场架构，使用 AirfRANS 二维翼型数据进行训练，面向跨网格分辨率的稳态气动流场预测。

适用场景

场景	说明
二维翼型气动代理建模	面向 AirfRANS 风格二维翼型稳态 RANS 数据，预测速度、压力和湍流黏度
非结构网格场查询	训练时随机采样点，推理时可在完整 mesh 上分块查询
表面压力评估	额外统计 surface pressure MSE，用于分析近壁区域和气动力相关误差
ModelScope/OneCode 运行	作为独立模型包下载后直接安装依赖并运行脚本

使用说明

1. OneCode 使用

可通过 OneCode 在线环境体验智能化一键式 AI4S 编程：

点击体验智能化一键式 AI4S 编程

2. 手动安装使用

硬件要求

推荐使用 GPU 或 DCU 运行。
CPU 可以用于导入和小配置连通性验证，完整训练和推理速度较慢。
DCU 用户需要预先安装 DTK，建议使用 DTK 25.04.2 以上版本或与当前集群匹配的 OneScience 推荐版本。

下载模型包

modelscope download --model OneScience/MARIO --local_dir ./mario
cd mario

安装运行环境

DCU环境

# 请首先激活DTK及CONDA
conda create -n onescience311 python=3.11 -y
conda activate onescience311
# 支持uv安装
pip install onescience[cfd-dcu] -i http://mirrors.onescience.ai:3141/pypi/simple/  --trusted-host mirrors.onescience.ai

GPU环境

# 请首先激活CONDA
conda create -n onescience311 python=3.11 -y libstdcxx-ng=12 libgcc-ng=12 gcc_linux-64=12 gxx_linux-64=12
conda activate onescience311
# 支持uv安装
pip install onescience[cfd-gpu] -i http://mirrors.onescience.ai:3141/pypi/simple/  --trusted-host mirrors.onescience.ai

训练数据介绍

OneScience 社区提供可供训练的 airfrans 数据，用户可通过下述命令下载，并确认'conf/config.yaml'中数据路径设置正确.

modelscope download --dataset OneScience/airfrans --local_dir ./data

下载完成后，请修改 config/config.yaml 中的以下配置：

paths.data_root：设置为 AirfRANS 数据集根目录，即包含 manifest.json 和各仿真样本的目录。
paths.project_root：设置为当前 MARIO 项目的绝对路径。

训练

执行论文主实验的完整两阶段训练，包括 SDF 几何编码器训练和流场解码器训练：

python scripts/train.py --config config/config.yaml

训练过程中会通过标准输出实时打印几何编码损失、流场训练损失以及各物理场的 MSE。完整实验默认使用 AirfRANS scarce 任务的 200 个训练样本，并分别训练几何编码器和流场解码器 1000 个 epoch。

训练权重

仓库提供基于 AirfRANS 数据集训练得到的模型权重：weight/best_model.pth

推理和可视化

使用训练完成的 checkpoint 在 AirfRANS 完整测试网格上执行推理和评测：

python scripts/inference.py --config config/config.yaml

推理过程会逐样本实时输出 SDF 重建误差、各物理场归一化 MSE、表面压力 MSE、气动力系数及推理耗时。完整实验结果默认保存至 results/

完成推理后，可执行以下命令生成流场预测、真实值、绝对误差、表面压力以及论文精度对比图：

python scripts/result.py --config config/config.yaml

引用与许可证

MARIO 原始论文：MARIO: A Modulated Neural Field Framework for Resolution-Independent Surrogate Modeling of Aerodynamics
本仓库保留来源说明，并面向 OneScience ModelScope 自动运行场景进行整理；公开分发前请根据上游项目确认许可证要求。