한 사용자가 유체 흐름 및 구조장과 같은 물리 시뮬레이션에서 훈련 데이터셋을 생성하는 데 따른 계산 비용 경험을 공유했습니다. 그들은 주요 과제가 모델 아키텍처가 아니라 각 샘플의 생산 비용이 높을 때 대규모이고 다양한 데이터셋을 구축하는 어려움이라고 강조했습니다.
이 게시물은 시뮬레이션 데이터 관리의 여러 핵심 측면에 대한 커뮤니티의 의견을 구합니다:
- 고비용 사례를 위한 샘플링 전략(라틴 과반수 표본 추출, 능동 학습 및 적응형 샘플링 포함).
- 메쉬 또는 그리드 위의 필드 데이터를 위한 데이터 표현 형식(포인트 클라우드, 볼록셀 그리드, 그래프 또는 재샘플링된 균일 배열 등).
- 대칭성, 회전 및 중첩과 같은 증강 기술 및 이들이 기본 물리 법칙을 깨뜨릴 가능성.
- 능동 학습에서 다음으로 생성할 새로운 고비용 샘플을 결정하기 위해 모델 자체를 사용하는 것.
저자는 표준 빅데이터 가정보다는 "적은 수의 고비용 샘플" 체제와 관련된 실제 경험을 특히 관심 있게 보고 있습니다.