NOTS-DarcyFlowRate
模型介绍
NOTS-DarcyFlowRate 复现了 Darcy 多孔介质流的流量优化实验，使用神经算子辅助选择低泄漏的渗透率分布。
论文：Thompson Sampling in Function Spaces via Neural Operators
模型描述
模型以 16×16 渗透率场为输入，使用 Fourier 神经算子预测压力场，再按论文的负总流量目标开展逐次查询优化。本模型包对应论文 Figure 1 和 Table 1 的 Darcy flow rates 案例。
适用场景
| 场景 | 说明 |
|---|---|
| 多孔介质设计 | 搜索降低边界流量的渗透率分布 |
| 工业仿真优化 | 用压力场代理模型减少候选结构评估成本 |
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：
2. 手动安装使用
硬件要求
- 正式训练在 1 张 DCU 的计算节点完成；推理同样需要可用的 PyTorch 加速环境。
- 本次实验执行了 10 次独立试验，每次 300 次查询。
下载模型包
从 ModelScope 下载模型包：
pip install 'modelscope[datasets]'
modelscope download --model OneScience/NOTS-DarcyFlowRate --local_dir ./NOTS-DarcyFlowRate
cd NOTS-DarcyFlowRate
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
pip install -r requirements.txt
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
pip install -r requirements.txt
训练数据介绍
数据来自论文官方仓库的 Darcy 16×16 数据包。darcy_train_16.pt 含 1000 组渗透率场 x 和压力场 y，darcy_test_16.pt 含 50 组；x 为布尔张量，y 为 float32，均为 16×16 网格。原文件已整理到 OneScience/NOTS-Darcy-16。配置默认读取包内 data/。
modelscope download --dataset OneScience/NOTS-Darcy-16 --local_dir ./data
下载后应有 data/darcy_train_16.pt 和 data/darcy_test_16.pt，两者 SHA256 分别为 0be662acdb1dab7dfd1a1da0b140e97f75cc94f98a14edcf768abe6968b3b418 和 d2b19af9d4a6ae04ba2de54b8ecccc8b89766472faf6ce7f506c0b2a60f69a4c。
训练
在已分配 GPU/DCU 的计算节点、模型包根目录中运行。配置使用相对路径，不依赖原超算账号的作业登记文件：
python scripts/train.py
默认完成 10 次试验、每次 300 次查询，并保存 weight/best_model.pt。重新训练前请另存已提供的权重和结果。训练后依次运行下面的推理和评估命令。
训练权重
weight/best_model.pt 包含本次正式运行的模型参数。发布时仅将 checkpoint 中的配置摘要更新为可移植配置对应的摘要，40 个模型参数张量保持不变。发布版 SHA256 为 dac0b15574242acabd25d5bc52b7a415ec72e1d55411433402affe61876131f7；原始训练文件 SHA256 为 2cf139f9cf75a01064fe54b5e8ba0d4e58a4b76a39aa7cf924320acbee4336b2。results/inference_metrics.json 保留的是原始训练文件的哈希；重新运行推理会生成发布版对应的记录。
推理
在已分配 GPU/DCU 的计算节点运行：
python scripts/inference.py
推理脚本重新加载 weight/best_model.pt。本次测试集压力场平均相对 L2 为 0.339917。
评估和可视化
同一计算节点上，推理完成后执行：
python scripts/result.py
本次 10 次试验的最终平均 regret 为 0.289031 ± 0.016963；论文 Table 1 报告 0.012 ± 0.001。results/ 中保存逐次查询结果、汇总指标和图表。这两组数值有明显差距，不能称为达到论文精度。
OneScience 官方信息
| 平台 | OneScience 主仓库 | Skills 仓库 |
|---|---|---|
| Gitee | https://gitee.com/onescience-ai/onescience | https://gitee.com/onescience-ai/oneskills |
| GitHub | https://github.com/onescience-ai/OneScience | https://github.com/onescience-ai/oneskills |
引用与许可证
- NOTS 论文：Thompson Sampling in Function Spaces via Neural Operators。
- Darcy 数据来自论文官方仓库，该仓库说明数据按原始 MIT 许可证再分发；模型包代码与数据的许可应分别核对。