跳到正文
arXiv cs.AI· Yilong Dai, Yiming Sun, Shengyu Chen, Jiaqi Gong, Xiaowei Jia, Runlong Yu·· 10 小时前AI 评分31

PhysDial:用预训练视频模型适配物理条件变化的 PDE 仿真

PhysDial: Adapting Pretrained Video Models for PDE Simulation under Changing Physical Conditions

AI 导读

PhysDial 将预训练视频扩散 Transformer 适配八类二维 PDE 仿真,把系数、条件场和方程文本分别作为噪声水平、参考帧和提示词输入。在 Kolmogorov 流中,轨迹内条件切换样本仅占训练数据约 5%,却能在匹配算力下将强迫波数或振幅变化后的误差减半;少量新振幅轨迹可将外推误差降低一半以上。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:模拟物理系统如何响应变化的条件是控制、设计和情景研究的核心。据我们所知,此前的 PDE 基础模型尚未在轨迹内部变化上进行训练或评估。我们的反事实测试衡量预测从同一状态向改变后的求解器分支移动的距离。在固定条件下训练的模型仅部分跟随变化。在预训练后给定条件输入的 PDE 基础模型几乎不响应。PhysDial 将预训练的视频扩散 transformer 适配到八个二维 PDE 族。系数随噪声水平输入,条件场作为参考帧,方程文本作为提示。在 Kolmogorov 流中,轨迹内的切换约占训练样本的 5%。在同等计算量下,它们将强迫波数或振幅变化后的误差减半。在新振幅下的少量轨迹可将外推误差减少一半以上。在没有物理预训练的情况下,PhysDial 在两种湍流上在训练条件下达到或超过 PDE 基础模型。在 Kolmogorov 测试集上第 64 步时,PhysDial 的小尺度能量为求解器的 1.07 倍,Walrus 为 7.1 倍。我们的实验表明,学习型模拟器仅在其训练数据使该条件成为预测所必需时才使用该条件。从干预下发散的轨迹中学习可以帮助科学模拟器预测系统强迫或参数变化时会发生什么。
评论: 代码:this https URL
主题: 流体动力学(physics.flu-dyn);人工智能(cs.AI)
引用为: arXiv:2611.23498 [physics.flu-dyn]
  (或 arXiv:2611.23498v1 [physics.flu-dyn] 为此版本)
  https://doi.org/10.48550/arXiv.2611.23498

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Yilong Dai [查看电子邮件]
[v1] 2026年11月17日星期二 20:49:17 UTC(11,383 KB)

来源:arXiv cs.AI · arxiv.org