arXiv cs.AI· Akshay Dhalpe, Arnab Chattopadhyay, Shahriar Bakrani Balani, Eric Cortan\'ea, Sasu Tarkoma·· 3 天前AI 评分23
pi-Net：面向数据稀缺系统的可微物理头经验潜表征
pi-Net: Empirical Latent Representations for Differentiable Physics Heads in Data-Scarce Systems
AI 导读
pi-Net 是一种物理信息潜变量模型，通过编码器将输入映射到物理归一化潜空间，再由可微物理头解码输出，用于解决将量纲分析引入有向计算图时产生的欠定系统问题。在数据稀缺的 GMAW 案例中，仅用 60 个实验样本即达到 R2 0.864，显著优于纯数据驱动基线，并提供因果、过程级的可解释性。
正文 · AI 翻译
摘要：为多物理系统开发可靠的预测模型，往往需要在计算量巨大的物理模拟器与依赖大量数据且不透明的机器学习（ML）算法之间做出妥协。虽然将量纲分析引入有向计算图，为显式求解偏微分方程（PDE）提供了一种结构上更合理的替代方案，但此类公式通常会产生欠定系统，从而只能充当不完美的模拟器。我们提出 pi-Net，一种物理信息潜变量模型，可解决这些不完美的模拟器。这种混合 pi-Net 架构由一个编码器组成，它将输入映射到物理归一化的潜空间，随后由可微物理头将其解码为最终预测。在一个真实世界、数据稀缺的气体保护金属极电弧焊（GMAW）案例研究中评估，该框架仅用 60 个实验样本就达到了 0.864 的 R2。结果表明，pi-Net 在数据稀缺情形下显著优于纯数据驱动的基线，同时提供因果的、过程级的可解释性。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.16504 [cs.LG] |
| （或 arXiv:2610.16504v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16504 arXiv 颁发的 DOI，经由 DataCite（待注册） |
提交历史
来自：Arnab Chattopadhyay [查看电子邮件]
[v1]
2026年10月12日星期一 09:52:34 UTC（211 KB）
来源：arXiv cs.AI · arxiv.org