【快乐开源】迁移 CFDGCN 案例至 PaddleScience

[HydrogenSulfate]

This project will be mentored by @HydrogenSulfate

1. 背景

在 AIStudio 上已经有使用 PaddlePaddle 框架API 复现的项目：基于PaddlePaddle的CFDGCN复现 - 飞桨AI Studio，现在希望能将这个项目迁移至 PaddleScience，也就是基于 PaddleScience 的 API 实现该项目，最终合入 PaddleScience 仓库

2. 收益

2.1 个人收益

• 同时熟悉 CV 领域的经典模型结构 GCN，并从该项目中了解相关流体力学知识，以及如何将物理公式融入到深度学习方法中
• 学习 PaddleScience 套件代码，掌握开源套件开发基本知识
• 熟悉 SU2 传统求解器与 Paddle 框架的联动使用
• 熟悉 MPI 相关知识

2.2 PaddleScience 收益

• 补充 GCN 结构至 Arch 模块
• 补充 CFDGCN 案例至流体相关案例中，提升案例丰富度

3. 开发流程

3.1 安装 PaddleScience

下载安装 PaddleScience 套件：https://paddlescience-docs.readthedocs.io/zh/latest/zh/install_setup/#121-git

3.2 代码开发

参考 基于PaddlePaddle的CFDGCN复现 - 飞桨AI Studio项目，以及 PaddleScience 的开发与复现指南，使用 PaddleScience API（PaddleScience API 文档）等价实现该项目，开发代码风格与已有案例保持一致，训练精度与原论文对齐，并仿照已有文档撰写 CFDGCN 的案例文档，最终合入 PaddleScience。

3.3 整理代码并提交PR

参考 PaddleScience文档-贡献指南-整理代码并提交

4. 参考资料

• 基于PaddlePaddle的CFDGCN复现 - 飞桨AI Studio
• https://github.com/locuslab/cfd-gcn
• Filipe de Avila Belbute-Peres, Thomas D. Economon, and J. Zico Kolter. 2020. Combining differentiable PDE solvers and graph neural networks for fluid flow prediction. In Proceedings of the 37th International Conference on Machine Learning (ICML'20). JMLR.org, Article 224, 2402–2411.

奖励

500 京东卡