Physics2Weight：用大语言模型从物理定律直接生成神经网络架构与权重

Physics2Weight: Direct Neural Network Architecture and Weight Generation from Physical Laws Using Large Language Models

AI 导读

Physics2Weight（PtW）框架将权重空间编程（WSP）扩展到偏微分方程求解，基于控制方程与初始、边界条件直接生成神经网络权重并编辑架构，无需梯度优化。在热传导、平流、Burgers 和 Allen–Cahn 四个 PDE 上，其解误差低于传统物理信息神经网络（PINN），但在非线性 PDE 上仍存在难以满足控制方程的局限。

正文 · AI 翻译

查看 PDF HTML（实验性）

摘要：大语言模型（LLMs）的最新进展使权重空间编程（WSP）成为可能，该方法无需基于梯度的优化即可直接生成神经网络权重。然而，将 WSP 扩展到物理问题仍然具有挑战性，尤其是在同时实现解的精度与物理一致性方面。本文提出 Physics2Weight（PtW），这是一个将 WSP 扩展到求解偏微分方程的框架，它基于控制方程以及初始条件和边界条件直接生成神经网络权重并编辑架构。PtW 引入了物理约束提示和物理引导的架构编辑，并结合 WSP 的迭代权重细化，在无需基于梯度优化的情况下提升解的精度与物理一致性。在四个 PDE 上的实验，即热方程、平流方程、Burgers 方程和 Allen--Cahn 方程，表明其解误差低于传统物理信息神经网络，同时揭示了在满足非线性 PDE 控制方程方面的局限性。

学科：	人工智能（cs.AI）
引用为：	arXiv:2611.12954 [cs.AI]
	（或 arXiv:2611.12954v1 [cs.AI] 用于此版本）
	https://doi.org/10.48550/arXiv.2611.12954 由 DataCite 颁发的 arXiv DOI

提交历史

来自：Shogo Sato [查看邮箱]
[v1] 2026年11月7日星期六 05:39:53 UTC（2,704 KB）

来源：arXiv cs.AI · arxiv.org