Neptuna: A Comprehensive Machine Learning Framework for Benchmarking Complex Multiphase Flows

📄 arXiv: 2607.22280v1 📥 PDF

作者: Harish Ramachandran, Björn Kimpel, Thomas Paula, Josef Winter, Steffen Schmidt, Nikolaus Adams

分类: physics.flu-dyn, cs.AI

发布日期: 2026-07-24

🔗 代码/项目: HUGGINGFACE

💡 一句话要点

提出Neptuna框架以解决复杂多相流的基准测试问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 可压缩流体 多相流 机器学习 基准测试 复合损失 界面保留 流体动力学 数据集

📋 核心要点

  1. 复杂的可压缩多相流涉及冲击和材料界面，现有机器学习代理模型难以应对其非线性互动和多尺度动态。
  2. 本文提出Neptuna框架，专门用于冲击驱动的可压缩多相流的基准测试，包含大量高保真数据集和多种模型评估。
  3. 实验结果显示，复合损失函数显著改善了模型在界面保留和谱保真度方面的表现，SoftAdapt策略在适应性加权中表现最佳。

📝 摘要（中文）

本文介绍了一种针对冲击驱动的可压缩多相流的基准测试框架Neptuna，包含2.4 TB的高保真2D和3D数据集，涵盖气泡崩溃和液滴破裂等现象。研究评估了多种代理模型，包括卷积、谱、变换器和预训练的偏微分方程基础模型。通过复合损失函数的设计，显著提高了界面保留和谱保真度，结果表明没有单一模型在所有数据集和指标上表现最佳，而SoftAdapt策略在适应性加权中提供了最一致的改进。

🔬 方法详解

问题定义：本文旨在解决现有机器学习方法在处理复杂可压缩多相流时的局限性，特别是在界面保留和多尺度动态模拟方面的挑战。

核心思路：提出Neptuna框架，利用大规模高保真数据集和多种模型评估，结合复合损失函数以提升模型性能，特别是在界面处理和物理一致性方面。

技术框架：Neptuna框架包括数据集构建、模型训练和评估三个主要模块。数据集包含2D和3D的高保真模拟结果，模型训练则涵盖多种模型架构和损失函数设计。

关键创新：最重要的创新在于首次构建了针对冲击驱动可压缩多相流的基准测试框架，并引入复合损失函数以增强模型的界面保留能力。

关键设计：采用了多种损失函数组合，包括均方误差（MSE）、Sobolev损失、界面感知损失和结构感知损失，同时使用SoftAdapt和GradNorm进行自适应损失平衡。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果表明，复合损失函数显著提高了模型在界面保留和谱保真度方面的表现。与仅使用MSE的训练相比，SoftAdapt策略在适应性加权中提供了最一致的改进，几乎没有额外开销。

🎯 应用场景

该研究的潜在应用领域包括流体动力学、气候模拟、材料科学等，能够为复杂流动现象的建模和预测提供有效的机器学习工具，推动相关领域的研究进展。

📄 摘要（原文）

Compressible multiphase flows involving shocks and material interfaces arise in applications such as bubble collapse and droplet breakup, where strong nonlinear interactions produce complex interface deformation, mixing, and multiscale dynamics. Developing reliable machine learning surrogates for these flows remains challenging due to the simultaneous presence of compressibility, sharp discontinuities, and multiphase effects. In this work, we introduce the first large-scale benchmark specifically designed for shock-driven compressible multiphase flows, comprising 2.4 TB of high-fidelity 2D and 3D datasets \footnote{Dataset repo: https://huggingface.co/FluidVerse. Dataset sample videos, metadata.json, inference rollout plots from autoregressive rollout of the trained baselines are provided in the supplementary_material.zip } featuring shock-induced bubble collapse and droplet breakup. We evaluate diverse surrogate model families on our benchmarking framework: Neptuna \footnote{Benchmarking repo: https://anonymous.4open.science/r/neptuna-A4E3}, including convolutional, spectral, transformer-based, and pre-trained PDE foundation models. Beyond standard MSE training, we investigate composite losses combining MSE with Sobolev, interface-aware, and structure-aware terms, together with adaptive loss balancing using SoftAdapt and GradNorm. Evaluation includes pointwise, spectral, feature-focused, structural, and physics-informed metrics. Results show that no single model performs best across all datasets and metrics, while composite losses significantly improve interface preservation and spectral fidelity. Among adaptive weighting strategies, SoftAdapt provides the most consistent improvements with almost no overhead compared to MSE-only training.