PaddlePaddle · zhiminzhang0830 · May 30, 2024 · May 30, 2024 · May 30, 2024
diff --git a/README.md b/README.md
@@ -27,6 +27,7 @@ PaddleScience 是一个基于深度学习框架 PaddlePaddle 开发的科学计
 
 | 问题类型 | 案例名称 | 优化算法 | 模型类型 | 训练方式 | 数据集 | 参考资料 |
 |-----|---------|-----|---------|----|---------|---------|
+| 相场方程 | [Allen-Cahn](https://paddlescience-docs.readthedocs.io/zh/latest/zh/examples/allen_cahn) | 机理驱动 | MLP | 无监督学习 | [Data](https://paddle-org.bj.bcebos.com/paddlescience/datasets/AllenCahn/allen_cahn.mat) | [Paper](https://arxiv.org/pdf/2402.00326) |
 | 微分方程 | [拉普拉斯方程](https://paddlescience-docs.readthedocs.io/zh/latest/zh/examples/laplace2d) | 机理驱动 | MLP | 无监督学习 | -        | - |
 | 微分方程 | [伯格斯方程](https://paddlescience-docs.readthedocs.io/zh/latest/zh/examples/deephpms) | 机理驱动 | MLP | 无监督学习 | [Data](https://github.com/maziarraissi/DeepHPMs/tree/master/Data) | [Paper](https://arxiv.org/pdf/1801.06637.pdf) |
 | 微分方程 | [非线性偏微分方程](https://paddlescience-docs.readthedocs.io/zh/latest/zh/examples/pirbn) | 机理驱动 | PIRBN | 无监督学习 | - | [Paper](https://arxiv.org/abs/2304.06234) |
@@ -38,7 +39,7 @@ PaddleScience 是一个基于深度学习框架 PaddlePaddle 开发的科学计
 | 微分方程 | [分数阶微分方程](https://github.com/PaddlePaddle/PaddleScience/blob/develop/examples/fpde/fractional_poisson_2d.py) | 机理驱动 | MLP | 无监督学习 | - | - |
 | 光孤子 | [Optical soliton](https://paddlescience-docs.readthedocs.io/zh/latest/zh/examples/nlsmb) | 机理驱动 | MLP | 无监督学习 | - | [Paper](https://doi.org/10.1007/s11071-023-08824-w)|
 | 光纤怪波 | [Optical rogue wave](https://paddlescience-docs.readthedocs.io/zh/latest/zh/examples/nlsmb) | 机理驱动 | MLP | 无监督学习 | - | [Paper](https://doi.org/10.1007/s11071-023-08824-w)|
-| 相场方程 | [Allen-Cahn](https://paddlescience-docs.readthedocs.io/zh/latest/zh/examples/allen_cahn) | 机理驱动 | MLP | 无监督学习 | [Data](https://paddle-org.bj.bcebos.com/paddlescience/datasets/AllenCahn/allen_cahn.mat) | [Paper](https://arxiv.org/pdf/2402.00326) |
+| 域分解 | [XPINN](https://paddlescience-docs.readthedocs.io/zh/latest/zh/examples/xpinns) | 机理驱动 | MLP | 无监督学习 | - | [Paper](https://doi.org/10.4208/cicp.OA-2020-0164)|
 
 <br>
 <p align="center"><b>技术科学(AI for Technology)</b></p>

diff --git a/docs/index.md b/docs/index.md
@@ -72,6 +72,7 @@
 
 | 问题类型 | 案例名称 | 优化算法 | 模型类型 | 训练方式 | 数据集 | 参考资料 |
 |-----|---------|-----|---------|----|---------|---------|
+| 相场方程 | [Allen-Cahn](./zh/examples/allen_cahn.md) | 机理驱动 | MLP | 无监督学习 | [Data](https://paddle-org.bj.bcebos.com/paddlescience/datasets/AllenCahn/allen_cahn.mat) | [Paper](https://arxiv.org/pdf/2402.00326) |
 | 微分方程 | [拉普拉斯方程](./zh/examples/laplace2d.md) | 机理驱动 | MLP | 无监督学习 | -        | - |
 | 微分方程 | [伯格斯方程](./zh/examples/deephpms.md) | 机理驱动 | MLP | 无监督学习 | [Data](https://github.com/maziarraissi/DeepHPMs/tree/master/Data) | [Paper](https://arxiv.org/pdf/1801.06637.pdf) |
 | 微分方程 | [非线性偏微分方程](./zh/examples/pirbn.md) | 机理驱动 | PIRBN | 无监督学习 | - | [Paper](https://arxiv.org/abs/2304.06234) |
@@ -83,7 +84,7 @@
 | 微分方程 | [分数阶微分方程](https://github.com/PaddlePaddle/PaddleScience/blob/develop/examples/fpde/fractional_poisson_2d.py) | 机理驱动 | MLP | 无监督学习 | - | - |
 | 光孤子 | [Optical soliton](./zh/examples/nlsmb.md) | 机理驱动 | MLP | 无监督学习 | - | [Paper](https://doi.org/10.1007/s11071-023-08824-w)|
 | 光纤怪波 | [Optical rogue wave](./zh/examples/nlsmb.md) | 机理驱动 | MLP | 无监督学习 | - | [Paper](https://doi.org/10.1007/s11071-023-08824-w)|
-| 相场方程 | [Allen-Cahn](./zh/examples/allen_cahn.md) | 机理驱动 | MLP | 无监督学习 | [Data](https://paddle-org.bj.bcebos.com/paddlescience/datasets/AllenCahn/allen_cahn.mat) | [Paper](https://arxiv.org/pdf/2402.00326) |
+| 域分解 | [XPINN](./zh/examples/xpinns.md) | 机理驱动 | MLP | 无监督学习 | - | [Paper](https://doi.org/10.4208/cicp.OA-2020-0164)|
 
 <br>
 <p align="center"><b>技术科学(AI for Technology)</b></p>

diff --git a/docs/zh/examples/xpinns.md b/docs/zh/examples/xpinns.md
@@ -5,14 +5,25 @@
     ``` sh
     # linux
     wget -nc https://paddle-org.bj.bcebos.com/paddlescience/datasets/XPINN/XPINN_2D_PoissonEqn.mat -P ./data/
-
     # windows
-    # curl https://paddle-org.bj.bcebos.com/paddlescience/datasets/XPINN/XPINN_2D_PoissonEqn.mat --output ./data/XPINN_2D_PoissonEqn.mat
-
+    # curl https://paddle-org.bj.bcebos.com/paddlescience/datasets/XPINN/XPINN_2D_PoissonEqn.mat --create-dirs -o ./data/XPINN_2D_PoissonEqn.mat
     python xpinn.py
+    ```
 
+=== "模型评估命令"
+
+    ``` sh
+    # linux
+    wget -nc https://paddle-org.bj.bcebos.com/paddlescience/datasets/XPINN/XPINN_2D_PoissonEqn.mat -P ./data/
+    # windows
+    # curl https://paddle-org.bj.bcebos.com/paddlescience/datasets/XPINN/XPINN_2D_PoissonEqn.mat --create-dirs -o ./data/XPINN_2D_PoissonEqn.mat
+    python xpinn.py mode=eval EVAL.pretrained_model_path=https://paddle-org.bj.bcebos.com/paddlescience/models/XPINN/xpinn_pretrained.pdparams
     ```
 
+| 预训练模型  | 指标 |
+|:--| :--|
+| [xpinn_pretrained.pdparams](https://paddle-org.bj.bcebos.com/paddlescience/models/XPINN/xpinn_pretrained.pdparams) | L2Rel.l2_error: 0.04226 |
+
 ## 1. 背景简介
 
 求解偏微分方程（PDE）是一类基础的物理问题，随着人工智能技术的高速发展，利用深度学习求解偏微分方程成为新的研究趋势。[XPINNs（Extended Physics-Informed Neural Networks）](https://doi.org/10.4208/cicp.OA-2020-0164)是一种适用于物理信息神经网络（PINNs）的广义时空域分解方法，以求解任意复杂几何域上的非线性偏微分方程。
@@ -57,7 +68,7 @@ $$ \gamma_2 =0.34+0.04 sin(5θ)+0.18 cos(3θ)+0.1 cos(6θ), θ \in [0,2π) $$
 wget -nc https://paddle-org.bj.bcebos.com/paddlescience/datasets/XPINN/XPINN_2D_PoissonEqn.mat -P ./data/
 ```
 
-### 3.3 模型构建
+### 3.2 模型构建
 
 在本问题中，我们使用神经网络 `MLP` 作为模型，在模型代码中定义三个 `MLP` ，分别作为三个子区域的模型。
 
@@ -74,15 +85,15 @@ examples/xpinn/xpinn.py:301:302
   <figcaption>XPINN子网络的训练过程</figcaption>
 </figure>
 
-### 3.4 约束构建
+### 3.3 约束构建
 
 在本案例中，我们使用监督数据集对模型进行训练，因此需要构建监督约束。
 
 在定义约束之前，我们需要指定数据集的路径等相关配置，将这些信息存放到对应的 YAML 文件中，如下所示。
 
-``` yaml linenums="43"
+``` yaml linenums="44"
 --8<--
-examples/xpinn/conf/xpinn.yaml:43:44
+examples/xpinn/conf/xpinn.yaml:44:45
 --8<--
 ```
 
@@ -102,17 +113,17 @@ examples/xpinn/xpinn.py:304:311
 --8<--
 ```
 
-### 3.5 超参数设定
+### 3.4 超参数设定
 
 设置训练轮数等参数，如下所示。
 
-``` yaml linenums="83"
+``` yaml linenums="84"
 --8<--
-examples/xpinn/conf/xpinn.yaml:83:88
+examples/xpinn/conf/xpinn.yaml:84:89
 --8<--
 ```
 
-### 3.6 优化器构建
+### 3.5 优化器构建
 
 训练过程会调用优化器来更新模型参数，此处选择较为常用的 `Adam` 优化器。
 
@@ -122,7 +133,7 @@ examples/xpinn/xpinn.py:337:338
 --8<--
 ```
 
-### 3.7 评估器构建
+### 3.6 评估器构建
 
 在训练过程中通常会按一定轮数间隔，用验证集(测试集)评估当前模型的训练情况，因此使用 `ppsci.validate.SupervisedValidator` 构建评估器。
 
@@ -132,37 +143,37 @@ examples/xpinn/xpinn.py:324:335
 --8<--
 ```
 
-评估指标为预测结果和真实结果的 RMSE 值，这里需自定义指标计算函数，如下所示。
+评估指标为预测结果和真实结果的 L2 相对误差值，这里需自定义指标计算函数，如下所示。
 
 ``` py linenums="194"
 --8<--
 examples/xpinn/xpinn.py:194:219
 --8<--
 ```
 
-### 3.8 模型训练
+### 3.7 模型训练评估
 
-完成上述设置之后，只需要将上述实例化的对象按顺序传递给 `ppsci.solver.Solver`，然后启动训练。
+完成上述设置之后，只需要将上述实例化的对象按顺序传递给 `ppsci.solver.Solver`，然后启动训练、评估。
 
 ``` py linenums="340"
 --8<--
-examples/xpinn/xpinn.py:340:357
+examples/xpinn/xpinn.py:340:350
 --8<--
 ```
 
-### 3.9 结果可视化
+### 3.8 结果可视化
 
 训练完毕之后程序会对测试集中的数据进行预测，并以图片的形式对结果进行可视化，如下所示。
 
-``` py linenums="360"
+``` py linenums="352"
 --8<--
-examples/xpinn/xpinn.py:360:384
+examples/xpinn/xpinn.py:352:376
 --8<--
 ```
 
 ## 4. 完整代码
 
-``` py linenums="1" title="cfdgcn.py"
+``` py linenums="1" title="xpinn.py"
 --8<--
 examples/xpinn/xpinn.py
 --8<--
@@ -181,4 +192,4 @@ examples/xpinn/xpinn.py
 
 ## 6. 参考文献
 
-* [A.D.Jagtap, G.E.Karniadakis, Extended Physics-Informed Neural Networks (XPINNs): A Generalized Space-Time Domain Decomposition Based Deep Learning Framework for Nonlinear Partial Differential Equations, Commun. Comput. Phys., Vol.28, No.5, 2002-2041, 2020.](https://doi.org/10.4208/cicp.OA-2020-0164)
+- [Extended Physics-Informed Neural Networks (XPINNs): A Generalized Space-Time Domain Decomposition Based Deep Learning Framework for Nonlinear Partial Differential Equations](https://doi.org/10.4208/cicp.OA-2020-0164)
diff --git a/examples/xpinn/conf/xpinn.yaml b/examples/xpinn/conf/xpinn.yaml
@@ -1,19 +1,20 @@
+defaults:
+  - ppsci_default
+  - TRAIN: train_default
+  - TRAIN/ema: ema_default
+  - TRAIN/swa: swa_default
+  - EVAL: eval_default
+  - INFER: infer_default
+  - hydra/job/config/override_dirname/exclude_keys: exclude_keys_default
+  - _self_
+
 hydra:
   run:
     # dynamic output directory according to running time and override name
     dir: outputs_xpinn/${now:%Y-%m-%d}/${now:%H-%M-%S}/${hydra.job.override_dirname}
   job:
     name: ${mode} # name of logfile
     chdir: false # keep current working direcotry unchaned
-    config:
-      override_dirname:
-        exclude_keys:
-          - TRAIN.checkpoint_path
-          - TRAIN.pretrained_model_path
-          - EVAL.pretrained_model_path
-          - mode
-          - output_dir
-          - log_freq
   callbacks:
     init_callback:
       _target_: ppsci.utils.callbacks.InitCallback

diff --git a/examples/xpinn/plotting.py b/examples/xpinn/plotting.py
@@ -81,7 +81,9 @@ def log_image(
     gridspec.GridSpec(1, 1)
     ax = plt.subplot2grid((1, 1), (0, 0))
     tcf = ax.tricontourf(triang_total, np.squeeze(residual_u_exact), 100, cmap="jet")
-    ax.add_patch(patches.Polygon(xx, closed=True, fill=True, color="w", edgecolor="w"))
+    ax.add_patch(
+        patches.Polygon(xx, closed=True, fill=True, facecolor="w", edgecolor="w")
+    )
     tcbar = fig.colorbar(tcf)
     tcbar.ax.tick_params(labelsize=28)
     ax.set_xlabel("$x$", fontsize=32)
@@ -111,7 +113,9 @@ def log_image(
     gridspec.GridSpec(1, 1)
     ax = plt.subplot2grid((1, 1), (0, 0))
     tcf = ax.tricontourf(triang_total, residual_u_pred.flatten(), 100, cmap="jet")
-    ax.add_patch(patches.Polygon(xx, closed=True, fill=True, color="w", edgecolor="w"))
+    ax.add_patch(
+        patches.Polygon(xx, closed=True, fill=True, facecolor="w", edgecolor="w")
+    )
     tcbar = fig.colorbar(tcf)
     tcbar.ax.tick_params(labelsize=28)
     ax.set_xlabel("$x$", fontsize=32)
@@ -146,7 +150,9 @@ def log_image(
         100,
         cmap="jet",
     )
-    ax.add_patch(patches.Polygon(xx, closed=True, fill=True, color="w", edgecolor="w"))
+    ax.add_patch(
+        patches.Polygon(xx, closed=True, fill=True, facecolor="w", edgecolor="w")
+    )
     tcbar = fig.colorbar(tcf)
     tcbar.ax.tick_params(labelsize=28)
     ax.set_xlabel("$x$", fontsize=32)
@@ -173,13 +179,13 @@ def log_image(
     plt.show()
 
 
-pgf_with_latex = {  # setup matplotlib to use latex for output
+PGF_WITH_LATEX = {  # setup matplotlib to use latex for output
     "pgf.texsystem": "pdflatex",  # change this if using xetex or latex
     "text.usetex": True,  # use LaTeX to write all text
-    "font.family": "serif",
-    "font.serif": [],  # blank entries should cause plots to inherit fonts from the document
-    "font.sans-serif": [],
-    "font.monospace": [],
+    # "font.family": "serif",
+    # "font.serif": [],  # blank entries should cause plots to inherit fonts from the document
+    # "font.sans-serif": [],
+    # "font.monospace": [],
     "axes.labelsize": 10,  # LaTeX default is 10pt font.
     "font.size": 10,
     "legend.fontsize": 8,  # Make the legend/label fonts a little smaller
@@ -193,4 +199,4 @@ def log_image(
         ]
     ),
 }
-mpl.rcParams.update(pgf_with_latex)
+mpl.rcParams.update(PGF_WITH_LATEX)
diff --git a/examples/xpinn/xpinn.py b/examples/xpinn/xpinn.py
@@ -191,7 +191,7 @@ def residual_func(output_der: paddle.Tensor, input: paddle.Tensor) -> paddle.Ten
     return loss1 + loss2 + loss3
 
 
-def eval_rmse_func(
+def eval_l2_rel_func(
     output_dict: Dict[str, paddle.Tensor],
     label_dict: Dict[str, paddle.Tensor],
     *args,
@@ -329,7 +329,7 @@ def train_dataset_transform_func(
             "residual2_u": lambda out: out["residual2_u"],
             "residual3_u": lambda out: out["residual3_u"],
         },
-        metric={"RMSE": ppsci.metric.FunctionalMetric(eval_rmse_func)},
+        metric={"L2Rel": ppsci.metric.FunctionalMetric(eval_l2_rel_func)},
         name="sup_validator",
     )
     validator = {sup_validator.name: sup_validator}
@@ -341,17 +341,9 @@ def train_dataset_transform_func(
     solver = ppsci.solver.Solver(
         custom_model,
         constraint,
-        cfg.output_dir,
-        optimizer,
-        None,
-        cfg.TRAIN.epochs,
-        cfg.TRAIN.iters_per_epoch,
-        save_freq=cfg.TRAIN.save_freq,
-        eval_during_train=cfg.TRAIN.eval_during_train,
-        eval_freq=cfg.TRAIN.eval_freq,
+        optimizer=optimizer,
         validator=validator,
-        eval_with_no_grad=cfg.EVAL.eval_with_no_grad,
-        checkpoint_path=cfg.TRAIN.checkpoint_path,
+        cfg=cfg,
     )
 
     solver.train()
@@ -412,19 +404,16 @@ def evaluate(cfg: DictConfig):
             "residual2_u": lambda out: out["residual2_u"],
             "residual3_u": lambda out: out["residual3_u"],
         },
-        metric={"RMSE": ppsci.metric.FunctionalMetric(eval_rmse_func)},
+        metric={"L2Rel": ppsci.metric.FunctionalMetric(eval_l2_rel_func)},
         name="sup_validator",
     )
     validator = {sup_validator.name: sup_validator}
 
     # initialize solver
     solver = ppsci.solver.Solver(
         custom_model,
-        output_dir=cfg.output_dir,
-        eval_freq=cfg.TRAIN.eval_freq,
         validator=validator,
-        eval_with_no_grad=cfg.EVAL.eval_with_no_grad,
-        checkpoint_path=cfg.TRAIN.checkpoint_path,
+        cfg=cfg,
     )
 
     solver.eval()

diff --git a/mkdocs.yml b/mkdocs.yml
@@ -48,6 +48,7 @@ nav:
         - Rossler_transform_physx: zh/examples/rossler.md
         - Volterra_IDE: zh/examples/volterra_ide.md
         - NLSMB: zh/examples/nlsmb.md
+        - XPINN: zh/examples/xpinns.md
       - 技术科学(AI for Technology):
         - 流体:
           - AMGNet: zh/examples/amgnet.md

diff --git a/ppsci/arch/sfnonet.py b/ppsci/arch/sfnonet.py
@@ -412,7 +412,7 @@ class SFNONet(base.Arch):
         norm (str, optional): Normalization layer to use. Defaults to None.
         ada_in_features (int,optional): The input channles of the adaptive normalization.Defaults to None.
         preactivation (bool, optional): Whether to use resnet-style preactivation. Defaults to False.
-        skip (str, optional): Type of skip connection to use,{'linear', 'identity', 'soft-gating'}.
+        fno_skip (str, optional): Type of skip connection to use,{'linear', 'identity', 'soft-gating'}.
             Defaults to "soft-gating".
         separable (bool, optional): Whether to use a depthwise separable spectral convolution.
             Defaults to  False.