研究人员推出 pinn-gym，一个旨在评估材料设计中物理信息机器学习 (PIML) 模型的新基准。传统的关注曲线误差的评估方法不足以应对现实世界的工程应用，这些应用依赖于下游决策，如候选排序和避免不可行设计。pinn-gym 将一个碰撞和冲击预言器与材料数据相结合，并提供一个协议来评估 PIML 代理，不仅作为曲线预测器，而且作为决策系统。 AI
影响 为物理信息机器学习提供了一个新的评估框架，将重点从曲线预测转移到材料设计中的实际决策。
排序理由 该集群包含一篇介绍用于评估机器学习模型的新基准的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.07146v1 Announce Type: new Abstract: Physics-informed machine learning is often assessed by curve error, although engineering use depends on downstream decisions: ranking candidates, avoiding infeasible designs and limiting regret. We introduce pinn-gym, an open benchm…
Physics-informed machine learning is often assessed by curve error, although engineering use depends on downstream decisions: ranking candidates, avoiding infeasible designs and limiting regret. We introduce pinn-gym, an open benchmark for material-conditioned lattice design that…