あるユーザーが、流体流動や構造的場などの物理シミュレーションからトレーニング用データセットを生成する際の計算コストについての経験を共有しています。彼らは、主要な課題はモデルアーキテクチャではなく、各サンプルの生成コストが高い場合に大規模で多様なデータセットを構築することの難しさを強調しています。
この投稿では、シミュレーションデータの管理に関する以下の重要な側面についてコミュニティからの意見を探しています:
- 高コストなケースにおけるサンプリング戦略（ラテン超立方体、アクティブラーニング、適応的サンプリングなど）
- メッシュやグリッド上の場データのためのデータ表現形式（ポイントクラウド、ボクセルグリッド、グラフ、再サンプリングされた均一配列など）
- 対称性、回転、重ね合わせなどのデータ拡張手法、およびそれらが基礎となる物理法則を壊す可能性
- アクティブラーニングにおいて、次に生成すべき高コストなサンプルを決定するためにモデル自体を使用すること
著者は、標準的なビッグデータの前提条件ではなく、「少数の高コストなサンプル」の状況に対処する実際の経験に特に興味を持っています。