1.赛题简介

空气动力学阻力在塑造汽车和航空航天工业中载具的性能和效率方面发挥着关键作用。传统上，空气动力学阻力的预测依赖于耗时且计算强度高的模拟，这对快速设计迭代构成了挑战。然而，最近在深度学习领域，特别是在AI for Science领域的人工智能技术中取得的进展，提供了一种创新方法，即直接从数据中学习。

举例来说，考虑一个标准的空气动力学数据集，其中包括具有达到五百万雷诺数的三维车辆几何形状。传统的数值方法需要大约 O(10^3) 秒来计算车辆表面压力（这是一种计算空气动力学阻力的关键参数）。相比之下，深度学习可以通过在模拟数据上训练，辨识设计参数（例如，形状、表面特征）与空气动力学阻力之间的关系。一旦训练完成，深度学习模型可以在大约 O(10^-1) 秒内迅速预测新设计的空气动力学阻力，显著减少计算资源需求。

这一进步的影响超出了汽车和航空航天领域，对于空气动力学至关重要的各个行业都有深远的影响。从风能应用到建筑设计以及体育器材的开发，快速准确预测空气动力学阻力具有变革性的潜力。

同时机器学习模型的泛化能力是一个关键考虑因素。通常情况下，经过训练的深度学习模型在面对车辆几何形状变化时可能无法做出准确预测。为解决这一问题，我们提出了针对任意三维车辆的快速空气动力学阻力预测挑战，强调机器学习模型的泛化能力。这是因为现有的大多数机器学习模型和竞赛往往忽视了在任意数据集上评估泛化能力的重要性。

2024 IJCAI官网链接：https://ijcai24.org/

2.数据集介绍

我们基于3D ShapeNet Car生成了行业级稳定的车辆空气动力学模拟（该数据可在Paraview软件中打开和查看）。车辆速度固定为每秒20米，估计的雷诺数为O(10^5~6)。每个数据样本包含车辆表面点坐标、表面压力。下表显示了数据的解释。总共生成了550种不同形状汽车的数据。训练数据包含450种不同ShapeNet汽车的数据。

File	Variable	Definition	Shape
mesh_001.ply	mesh_nodes	Part of car surface geometry	N_point,3
mesh_001.ply	mesh_cells	Part of car surface geometry	N_cell,3
press_001.npy	pressure	Pressure in mesh cells	N_points,1
train_pressure_mean_std.txt	pressure std mean value	For pressure normalization	2,1
watertight_global_bounds.txt	geometry boundary	Max and min limitation of geometry	3,2

基于这套训练数据，我们鼓励选手采用不同的训练策略来达到不同的训练目标，因此我们使用不同的测试集（对应了不同的训练目标）将这套数据划分成了三个赛道：

赛道A：测试数据包含50种不同ShapeNet Car的数据。

赛道B：测试数据包含50种非ShapeNet汽车数据集的匿名汽车数据。这50种匿名汽车的几何形状更为现实，参考了如奥迪和大众等道路汽车。此外，匿名汽车的速度将与提供的训练数据集略有不同。

赛道C：测试数据使用了50种不同ShapeNet汽车和50种匿名汽车的数据。

使用赛题数据进行一切研究需要经过百度公司的许可。

3.下载链接

训练和测试集数据集的下载链接如下：

https://drive.google.com/file/d/1JwR0Q1ArTg6c47EF2ZuIBpQwCPgXKrO2/view?usp=sharing

https://pan.baidu.com/s/1wYbKnvF-uDEEIOZGR3XOSA?pwd=eb4y

此外百度公司提供了基于PaddlePaddle框架的Baseline方案，需要clone PaddleScience再配置:

git clone https://github.com/PaddlePaddle/PaddleScience.git
cd PaddleScience
git submodule update --init --recursive competition/IJCAI_2024_CAR

1 原则上所有获奖作品需要开源，如有特殊情况需经终审评审专家集体决策同意可部分开源；

2 大赛最终解释权归开放原子开源基金会及共建方所有；

3 开放原子开源大赛监督联系人：张哲，邮箱：zhangzhe@openatom.org，电话：010-59258678转8010。