SIMSHIFT: 分布シフトへの神経サロゲート適応のためのベンチマーク

arXiv:2506.12007v2 Announce Type: replace-cross 摘要: 偏微分方程式（PDE）のための神経サロゲートは、そのトレーニング分布以外の問題構成（例：新しい初期条件や構造的次元）で評価される際、著しい性能低下を示す傾向があります。無教師学習ドメイン適応（UDA）技術は、画像認識や自然言語処理の分野でラベル付けされていないデータなしでのドメイン間汎化のために広く用いられていますが、複雑なエンジニアリングシミュレーションへの適用はほとんど研究されていません。この作業では、このギャップを解決するために 2 つに焦点を当てた貢献をもたらします。第一に、SIMSHIFT、多様なプロセスと物理をまたぐ 4 つの産業用シミュレーションタスクから構成される新しいベンチマークデータセットと評価セットを導入しました。第二に、確立された UDA 方法を state-of-the-art の神経サロゲートに拡張し、システム的に評価しました。SIMSHIFT に関する大規模な実験は、分布外神経サロゲートモデリングの課題、シミュレーションにおける UDA の可能性、および産業関連のシナリオにおける分布シフト下での堅牢な神経サロゲートの達成に関する未解決の問題を示しました。私たちのコードベースは https://github.com/psetinek/simshift に利用可能です。

arXiv:2506.12007v2 Announce Type: replace-cross Abstract: Neural surrogates for Partial Differential Equations (PDEs) often suffer significant performance degradation when evaluated on problem configurations outside their training distribution, such as new initial conditions or structural dimensions. While Unsupervised Domain Adaptation (UDA) techniques have been widely used in vision and language to generalize across domains without additional labeled data, their application to complex engineering simulations remains largely unexplored. In this work, we address this gap through two focused contributions. First, we introduce SIMSHIFT, a novel benchmark dataset and evaluation suite composed of four industrial simulation tasks spanning diverse processes and physics: hot rolling, sheet metal forming, electric motor design and heatsink design. Second, we extend established UDA methods to state-of-the-art neural surrogates and systematically evaluate them. Extensive experiments on SIMSHIFT highlight the challenges of out-of-distribution neural surrogate modeling, demonstrate the potential of UDA in simulation, and reveal open problems in achieving robust neural surrogates under distribution shifts in industrially relevant scenarios. Our codebase is available at https://github.com/psetinek/simshift