论文复现以及运行问题（论文：NUNO:一种非均匀数据下参数偏微分方程学习的通用框架）

前言

本人现在做的流固耦合案例里面包括流体和固体的数据，但是都是不均匀大小的网格数据（点云的数据），不是均匀的网格数据，由于前期确定了使用模型wno小波神经算子，但是该模型输入为均匀的网格，这时候就需要非均匀的数据转换为均匀的数据，然后放到模型里，由于可视化时候还需要原始点云类型的数据，所以还需要将模型输出的均匀网格数据转换为非均匀网格数据（这个由于没找到，所以准备用deeponet和pinns相关可以处理点云数据的模型）。

这里总结一下前期nuno将点云转为均匀网格的工作。

相关链接：

知乎文章介绍链接：

https://zhuanlan.zhihu.com/p/669608398

代码链接：

https://github.com/thu-ml/NUNO/tree/main

运行代码：

这里运行3d案例heatsink

python -m src.heatsink.ours_nufno

问题：

cmd中运行上述命令报错路径的问题

解决方法

不要在python里面运行，因为这里面会报路径错误，在pycharm里面运行项目，直接运行ouer_nufno.py文件就可以运行成功。

代码分析（src/heatsink/ours_nufno.py）

这里面的数据原始是

(line182) 
xyz = np.load(PATH_XYZ)                 # shape: (19517, 3)
input_point_cloud = np.load(PATH_U)     # shape: (1000, 19517, 5)

也就是1000个时间步，每个时间步有19517个点，每个点包括3个点坐标xyz和5个属性

(T, u, v, w, p)。

从下面这里能够看出预测的时候只预测T温度一个属性，而不是预测五个属性。
input_dim = 3               # (u, v, w)
output_dim = 1              # (T)

模型的输入：

batch-size=20,共有16个子域，每个域的三个维度的点数量分别为16，18，24，预测的值只有一个T温度，而不是预测五个属性。

out = y_normalizer.decode(out)#out =y =  torch.Size([20, 18, 16, 24, 1, 16])
loss1 = myloss(out, y)

最后又给插将上面的分割的子域结果插值回

torch.Size([20, 6840, 1, 16])

然后发现没有插值回原始点云。