Пользователь делится опытом вычислительной стоимости генерации обучающих наборов данных на основе физических симуляций, таких как течение жидкости и структурные поля. Он подчеркивает, что основная проблема заключается не в архитектуре модели, а в сложности создания большого и разнообразного набора данных, когда каждый образец дорого получать.
В посте запрашивается мнение сообщества по нескольким ключевым аспектам управления данными симуляции:
- Стратегии сэмплирования для дорогостоящих случаев, включая латинский гиперкуб, активное обучение и адаптивное сэмплирование.
- Форматы представления данных для полевых данных на сетках или решетках, такие как облака точек, воксельные сетки, графы или переотобранные равномерные массивы.
- Техники аугментации, такие как симметрия, вращение и суперпозиция, и их потенциал нарушить лежащую в основе физику.
- Использование самой модели в активном обучении для решения, какие новые дорогостоящие образцы генерировать следующими.
Автор особенно заинтересован в реальном опыте работы с режимом «мало дорогих образцов», а не со стандартными предположениями больших данных.