99.6%选对最优模型！一个物理响应同时给整个算子库打分，无需真实数据
Shared Physics Responses Recover Hidden Rankings in Neural Operator Libraries
📖 AI 总结
该研究提出了一种在缺乏高保真参考解的情况下，从神经算子库中高效选择最优预测模型的新方法。核心发现是，在平方希尔伯特空间损失下，模型库的排序仅取决于候选模型差异的低维张成空间，因此可利用基于锚点的控制方程线性化响应，对所有模型进行统一评分。实验表明，该共享物理诊断方法在流体、反应扩散和波动动力学等多种傅里叶与卷积算子库中，能准确恢复超过99.6%的成对偏好和99.0%的最优检查点。此外，修正后的物理代理模型性能常优于最佳候选模型，且研究为强单调离散化情形提供了可计算的充分条件以严格保证决策正确性。该框架通过利用局部动力学响应而非原始缺陷幅度，实现了科学代理模型的高可靠、高效率部署，无需依赖真实数据。
🔑 关键词速览
| neural operator | 神经算子，一种学习函数空间之间映射的深度学习模型，用于求解偏微分方程等科学计算问题。 |
| Hilbert-space loss | 希尔伯特空间损失，在希尔伯特空间中定义的损失函数，用于度量预测与真实解之间的差异。 |
| anchor-based linearized response | 基于锚点的线性化响应，利用控制方程在参考点附近的线性近似来评估模型性能的方法。 |
| pairwise preferences | 成对偏好，指在模型库中比较两个模型时，一个模型优于另一个的排序关系。 |
| strongly monotone discretizations | 强单调离散化，指满足强单调性质的数值离散格式，常用于保证数值解的稳定性和唯一性。 |
📱 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