PDEBench

简介

PDEBench 是 2023 年提出的系统性 PDE 基准平台，旨在为数据驱动求解器和物理信息神经网络（PINN）提供统一的评测环境。相比此前零散的基准，它在规模（数 TB）、多样性（20+ 方程类型）、任务难度（低维到高维）上均有量级提升，是当前最接近「PDE 领域 ImageNet」的公开数据集。

收录内容

覆盖以下方程类型：

• 常微分方程（ODE）：随机微分方程、迟滞系统
• 偏微分方程（PDE）：热传导、波方程、对流扩散、Navier-Stokes、浅水方程、Burgers 方程
• 多物理场耦合：热-流体耦合、反应-扩散系统

数据规格

项目	规格
总规模	约 5 TB
训练样本	每方程 10,000+ 条
分辨率	128×128、256×256、512×512
格式	HDF5（.h5），含初边值条件与参考解
许可证	Apache-2.0

适用场景

• 代理模型（Surrogate Model）训练与评测
• PINN / DeepONet / FNO 等方法的消融实验
• 新型网络架构的公平对比基准
• 教学：理解不同 PDE 数值方法与数据驱动方法的差异

使用注意

• 下载数据需访问官方 GitHub Release（或官方提供的 S3 链接），国内访问需代理
• 官方提供 PyTorch / JAX 数据加载器，也可自行用 h5py 读取
• 基准论文请引用：@misc{pdebench2023, title={PDEBench: A Massive Benchmark for Data-Driven PDE Solvers}, author={Takamoto et al.}, year={2023}}