AFBench: A Large-scale Benchmark for Airfoil Design

数据驱动的生成模型已成为实现高效机械逆向设计的有希望的方法。然而，由于时间和金钱成本过高，这个领域仍然缺乏开源和大规模的基准测试。这主要适用于翼型逆向设计，需要生成和编辑符合多模态指令的各种几何合格和气动合格的翼型，即拖动点和物理参数。本文介绍了翼型逆向设计中的开源努力，即AFBench，其中包括一个拥有20万个翼型和高质量气动和几何标签的大规模数据集，两个新颖而实用的翼型逆向设计任务，即多模态物理参数条件生成和可控编辑，以及综合评估各种现有翼型逆向设计方法的综合度量。我们的目标是将AFBench建立为一个生态系统，用于训练和评估翼型逆向设计方法，特别关注能够通过多模态指令控制的数据驱动的可控逆向设计模型，能够弥合思想和执行之间、学术研究和工业应用之间的差距。我们提供了基线模型、综合实验观察和分析，以加速未来的研究。我们的基线模型在RTX 3090 GPU上训练了16小时。代码库、数据集和基准测试将在\url{https://hitcslj.github.io/afbench/}上提供。

本文旨在解决空气动力学反设计中缺乏开源、大规模基准测试数据集的问题，提出了一个名为AFBench的开源生态系统，包括大规模数据集、两个新的空气动力学反设计任务和全面的评估指标。

AFBench是一个用于训练和评估空气动力学反设计模型的生态系统，重点关注基于数据驱动的可控反设计模型，能够通过多模式指令桥接思想和执行、学术研究和工业应用之间的差距。

本文提供了一个大规模的数据集，包含20万个空气动力学板翼，以及高质量的空气动力学和几何标签；提出了两个新的空气动力学反设计任务，条件生成和可控编辑；提供了全面的评估指标，加速未来研究。本文提供了基线模型、全面的实验观察和分析，并在16小时内使用RTX 3090 GPU进行了训练。代码库、数据集和基准测试将在https://hitcslj.github.io/afbench/上提供。

近期的相关研究包括：《Data-driven Inverse Design of Metasurfaces》、《A Deep Learning Approach to Aerodynamic Shape Optimization from CAD Models》、《Airfoil Design and Optimization using Multi-objective Genetic Algorithm and Deep Neural Networks》等。