arXiv cs.AI· Lucas Thil, Jesse Read, Guillaume Doquet, Rim Kaddah·· 3 天前AI 评分22
SPLICE：稀疏物理算子库识别与组合式扩展
SPLICE: Sparse Physics Library Identification and Compositional Expansion
AI 导读
SPLICE 框架可在无机制标签的混合轨迹数据中发现神经算子，通过求解凸优化问题推断候选算子对每条轨迹的贡献，再用校准测试为每个发现的算子分配其实现的物理机制。在一维和二维系统上，发现的算子能从无标签混合数据中恢复机制，并组合成未见方程的零样本模拟器；冻结的算子库还能在无标签、不遗忘的前提下为预训练中缺失的物理机制新增算子。在 Navier-Stokes 上，发现的算子组合精度与监督版本相当。
正文 · AI 翻译
摘要：神经算子拆分将一组神经算子（每个对应一种物理机制）组合成新方程的零样本模拟器。然而，现有方法要求这些机制及其标签必须预先指定。我们提出疑问：预训练库能否改为从多种机制同时作用的无标签轨迹中进行适配和扩展。我们提出 SPLICE，一个在混合数据上无需机制标签即可发现算子的框架。候选算子对每条轨迹的贡献通过求解凸优化问题来推断。随后，一项校准测试为每个发现的算子分配其所实现的机制。当库缺少所需物理机制或机制之间可分性不足时，失败情况也可被检测到。在一维和二维系统中，发现的算子能够从无标签混合数据中恢复机制，并组合成未见方程的零样本模拟器；冻结的库还能为预训练中不存在的物理机制扩展出一个算子，无需标签且不会遗忘。在 Navier-Stokes 上，发现的算子组合精度与有监督对应方法大致相当。
| 评论： | 24 页，6 幅图 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.17029 [cs.LG] |
| （或 arXiv:2610.17029v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17029 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Lucas Thil [查看邮箱]
[v1]
2026 年 10 月 12 日星期一 16:07:06 UTC（1,199 KB）
来源：arXiv cs.AI · arxiv.org