达西流误差暴降56%！LatentDDM用局部预训练+轻量组合，16次模拟就搞定大域迁移
Learnable composition for neural operators
📖 AI 总结
该研究提出了一种名为LatentDDM的可学习组合方法，旨在降低神经算子在新物理场景中的部署成本。传统神经算子作为物理模拟的快速替代模型，在域几何、尺寸或工况变化时精度易下降，而监督适应需要昂贵的高保真模拟数据。LatentDDM通过先在小子域上预训练神经算子，再冻结该算子并仅训练一个轻量级模块来组合局部预测，从而适应新场景。研究在稳态达西流和非稳态俯仰翼型绕流两个问题上验证了该方法。结果显示，在更大的达西域上，使用16个目标模拟进行适应后，LatentDDM的误差比全域处理的容量匹配模型低36%-56%；在快速俯仰翼型流中，该方法也改善了20步场滚动预测，无论是零样本还是少样本校准。这些发现表明，协同设计的局部预训练与组合级迁移为物理基础模型提供了一种有前景的设计原则。
🔑 关键词速览
| Neural operators | 神经算子，一类学习函数空间之间映射的深度学习模型，用于物理模拟的快速代理。 |
| LatentDDM | 一种提出的方法，先在小域上预训练神经算子，然后冻结它并训练轻量级模块组合局部预测。 |
| Darcy flow | 达西流，描述流体在多孔介质中流动的物理过程，常用于地下水流和油气藏模拟。 |
| Pitching airfoil | 俯仰翼型，指翼型绕其轴线做周期性俯仰运动，是研究非定常空气动力学的典型问题。 |
| Zero-shot / few-shot | 零样本/少样本，指模型在未见过的任务上直接应用或仅用极少量样本进行微调后应用的能力。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅