五家渠管道保温厂家 何恺明团队新作GeoPT，全新预练习范式用合成能源学让模子自学信得过物理国法

静态 3D 金钱糊涂能源学信息五家渠管道保温厂家，信得过物理标签又其奋斗——

物理仿真到底该何如 scaling？

何恺明团队新的论文GeoPT提供了新念念路——

GeoPT 无情了种全新的能源学陶冶预练习范式，通过合成能源学（Synthetic Dynamics）将静态几何"陶冶"到动态空间，让模子在标签数据上通过学习粒子轨迹演化来获取物理直观。

在相易的精度要求下，GeoPT 不错简陋6的物理仿真数据。

接下来，咱们起来看。

将静态几何"陶冶"到动态空间

般来说，物理系统的解场（Solution Fields）是由几何 G（界说空间规模）和系统要求 S（能源学驱动，如速率、力）共同决定的。

以空气能源学为例，汽车的体式（几何）界说了空间的规模，而风速和风向（能源学要求）则决定了流场的演化与具体的阻力散布。

现时，为了结束对物理系统的忖度与限制，接头也曾从传统的物理仿真，转向基于数据驱动的神经蚁集仿真器。

然则，这旅途面对着两个中枢瓶颈：

面是标注资本。

练习仿真器依赖由传统数值求解器（如 CFD/FEA）生成的监督数据，生成个工业精度样本经常销耗数万 CPU 小时，昂的"标签生成"资本严重遗弃了仿真器的规模化（Scaling）。

另面是静态预练习的局限。

尽管互联网上有海量的 3D 几何数据，但要是仅对静态几何进行自监督预练习（如常见的掩码重建任务），会因缺失"能源学"维度，致模子法捕捉物理仿果真中枢特征，致使鄙人游任务中出现"负挪动"景象。

基于此，恺明团队无情了种全新的预练习范式——能源学陶冶的几何预练习（Dynamics-lifted Geometric Pre-training）。

其中枢在于，天然信得过的物理标签难求，但"能源学"本人是不错被参数化的。

接头通过在预练习阶段引入合成能源学（Synthetic Dynamics）五家渠管道保温厂家，让 GeoPT 不仅学习到几何特征，还通过引入随即速率场 v，将表征从单纯的几何空间陶冶到"几何 + 能源学"的颐养空间。

在这里，接头不依赖由物理决定、且需要奋斗仿真才能获取的 v，而是通过随即采样每个粒子的速率来构建合成速率（Synthetic Velocities）：

由此，自监督盘算推算酿成了几何特征在这种合成能源学下的轨迹：

于是，通过跟踪几何特征沿这些合成轨迹的演化过程，接头取得了个由几何构建的、感知能源学的监督信号。

这使得模子在战争信得过的物理标签之前，就大概通过海量标签几何数据，事先学习到物理演化中通用的空间料理与耦合国法。

与此同期，上述能源学陶冶框架不仅提供了预练习盘算推算，还为下流任务提供了个统的接口：在预练习和微调阶段，模子均秉承几何和速率手脚输入。

预练习后，GeoPT 捕捉到了以速率为要求的物理对皆讨论，通过将能源学要求特化为相应的仿真开荒并学习求解器生成的标签，进而不错被微调至特定的物理任务。

练习经过

在预练习阶段，模子被练习用于忖度合成能源学下的几何特征轨迹，其耗费函数界说为：

该盘算推算函数涵盖了三个中枢变量的组合：

几何：从包含车、机、船等万余个几何体的数据集聚进行类别均衡采样。

跟踪点 x：从物体周围的体积空间和几何规模上采样运转位置。

速率 v：从有界球体中为每个点均匀采样随即速率。

给定上述 ( G, V ) 信息后，轨迹通过公式详情盘算推算得出，设备保温施工其监督盘算推算即为沿此旅途的几何特征序列。

由于预练习使 GeoPT 捕捉到了以速率为要求的物理对皆讨论，在微调阶段，只需将预练习时的随即速率替换为编码了特定仿真开荒的任务特定速率。

具体的适配计谋如下：五家渠管道保温厂家

空气能源学：将入射流要求（速率、攻角等）编码为 Vs，其向与流向致。

水能源学：辩认为水、气两绝顶置不同的 Vs，反应船舶阻力仿真中的两相流。

碰撞仿真：将冲击向编码为 Vs，其大小从碰撞点动手随空间衰减，以反应力的传播。

这种统接口的瞎想，使得单个预练习模子只需通过重树立速率输入，即可适配种种化的物理仿真任务。

在具体的细节面，接头弃取 Transolver 手脚主干蚁集，并树立了从 3M 到 15M 参数的三种模子尺寸。

在数据率面，轨迹被翻脸化为 3 个要领，使用向量距离（Vector Distance）编码几何信息。每个几何体采样约 3.6 万个点，并生成 1 个随即能源学场。

在盘算推算势上，监督信号通过化的射线 - 三角形求交算法盘算推算。惩处个样本仅需约 .2 秒，比工业 CFD 仿真快 1^7 倍。在 8 核 CPU 上，仅需 3 天即可生成 5TB 的预练习数据集。

当今，该框架已开源，感酷爱的同学不错参考文末聚集。

本质考证

在预练习中，接头使用 ShapeNet-V1 数据集，包含汽车、飞机、船舶等三类工业讨论几何，通过采样生成了过 1 万个样本（约 5TB 数据） 。

任务袒护流膂力学： 汽车空气能源学 ( DrivAerML ) 、飞机受力分析 ( NASA-CRM ) 、船舶水能源学 ( DTCHull ) ；固膂力学： 汽车碰撞大应力仿真 ( Car-Crash ) 以及 放射度仿真 ( Radiosity ) 等 。

本质后果标明，GeoPT 著镌汰了对标注数据的依赖，在达到相易精度时可简陋2-6的物理仿真数据。

与此同期，GeoPT 还使微调阶段的不停速率比从新练习快2 倍。

况兼，跟着模子层数增多（从 8 层增多到 32 层）和预练习数据量的增大，能握续稳步陶冶，展现了"物理大模子"的后劲 。

总的来说，论文评释了通过"合成能源学轨迹"进行预练习，不错有弥合静态几何与复杂动态物理任务之间的鸿沟 。

GeoPT 为构建通用的物理仿真基础模子开辟了条可膨大的旅途，即：

大规模标签几何 + 肤浅的合成能源学自监督 = 遍及的跨域物理仿真智力。

论文作家

这篇论文的作家是来自 MIT（CSAIL）的博士后接头员吴海旭。

他当今师从Wojciech Matusik解说。此前，吴海旭在清华大学取得博士和学士学位，师为龙明盛解说。

值得提的是，龙明盛解说现为清华大学软件学院解说，亦然本文作家之。

论文的共同作家是Minghao Guo，他当今为 MIT（CSAIL）博士生，不异师从 Wojciech Matusik 解说。

他本科就读于清华大学，硕士毕业于香港汉文大学。

此外，论文的其他作家还包括Zongyi Li（何恺明解说的博士后）、MIT 博士生Zhiyang ( Frank ) Dou，以及何恺明解说和 Wojciech Matusik 解说。

参考聚集

[ 1 ] https://arxiv.org/abs/262.2399v1

[ 2 ] https://github.com/Physics-Scaling/GeoPT

—  接待 AI 家具从业者共建  —

� �「AI 家具学问库」是量子位智库基于永恒家具库跟踪和用户行动数据出的飞书学问库，旨在成为 AI 行业从业者、投资者、接头者的中枢信息要道与有规画撑握平台。

键关心 � � 点亮星标

科技前沿涌现逐日见五家渠管道保温厂家