Walrus 物理基础模型从模拟到实验室湍流的零样本迁移
Emergent Transfer of a Physics Foundation Model from Simulation to Laboratory Turbulence
在三个以内 DNS 实现上微调的连续动力学基础模型 Walrus，零样本应用于滑动屏障实验室数据时，从类 DNS 区间进入实验观测的混合增长率区间（α 约 0.06-0.07，约为理想 DNS 约 0.02 的三倍），且从未见过任何实验样本。该结果独立支持初始条件在长期存在的模拟-实验 α 差距中起关键作用。模型还零样本泛化到训练中未出现的稳定分层浮力情形，正确减缓混合层增长。
作者：Payel Mukhopadhyay、Stefan S. Nixon、Romain Watteaux、Michael McCabe、Alberto Bietti、Kyunghyun Cho、Cristiana Diaconu、Irina Espejo Morales、David Fouhey、Siavash Golkar、Tom Hehir、Shirley Ho、Jake Kovalic、Geraud Krawezik、Francois Lanusse、Tanya Marwah、Rudy Morel、Mariel Pettee、Helen Qu、Jeff Shen、Hadi Sotoudeh、Stuart B. Dalziel、Miles Cranmer
摘要：物理基础模型能否有效地应用于实验室实验，仍是科学机器学习（ML）领域一个悬而未决的问题。我们在瑞利-泰勒不稳定性（RTI）上检验了这一问题。RTI 是一种无处不在且极具挑战性的流体不稳定性，从桌面流动到超新星爆发都能见到它的身影：当较轻的流体加速进入较重的流体时，密度界面上的微小扰动会发展为混沌的多尺度混合。标准 ML 模型难以处理 RTI，而且尽管经过了一个多世纪的理论、数值和实验研究，它在模拟与实验之间仍存在一个未解决的差异：在大多数实验室实验中测得的后期混合增长率 $\alpha$（$\sim$ 0.06-0.07）约为理想化直接数值模拟（DNS，$\sim$ 0.02）所得数值的三倍。这一差距的成因仍存在争议。这些特性使 RTI 成为一项严苛的检验，用来回答一个远超 RTI 本身的重要问题：仅在模拟数据上训练的基础模型，能否泛化到稀疏、杂乱且含噪的实验室环境？我们在三个或更少的 DNS 实现上对连续介质动力学基础模型 Walrus 进行微调，并在长时间推演中恢复了关键的 RTI 物理特性。将该微调模型零样本应用于滑动屏障实验室数据时，模型脱离了类 DNS 区间并进入观测到的增长带，而它此前从未见过任何一个实验样本。这些结果提供了独立的、数据驱动的证据，表明初始条件在 $\alpha$ 长期存在的模拟-实验差距中起着关键作用。该模型还能零样本泛化到稳定分层——一种训练中未出现的浮力状态——并正确地减缓了混合层的增长。总之，我们的结果表明，基础模型能够很好地泛化到其训练数据之外，预测实验室行为和未见过的物理状态，为探究长期存在的模拟-实验差距开辟了新途径。
| 学科： | 流体动力学（physics.flu-dyn）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2606.01470 [physics.flu-dyn] |
| （或 arXiv:2606.01470v2 [physics.flu-dyn] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.01470 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Payel Mukhopadhyay [查看电子邮件]
[v1]
2026年5月31日 星期日 22:07:38 UTC（11,527 KB）
[v2]
2026年11月4日 星期三 02:58:03 UTC（11,527 KB）
来源：arXiv cs.AI · arxiv.org