静态 3D 钞票缺乏能源学信息，真确物理标签又极其上流——
物理仿真到底该若何 scaling？
何恺明团队最新的论文GeoPT提供了新想路——
GeoPT 提议了一种全新的能源学培植预本质范式，通过合成能源学（Synthetic Dynamics）将静态几何"培植"到动态空间，让模子在无标签数据上通过学习粒子轨迹演化来获取物理直观。
在相易的精度条目下，GeoPT 最高不错圣洁60%的物理仿真数据。
接下来，咱们一说念来看。
将静态几何"培植"到动态空间
一般来说，物理系统的解场（Solution Fields）是由几何 G（界说空间鸿沟）和系统条目 S（能源学驱动，如速率、力）共同决定的。
以空气能源学为例，汽车的时势（几何）界说了空间的鸿沟，而风速和风向（能源学条目）则决定了流场的演化与具体的阻力散播。
刻下，为了竣事对物理系统的瞻望与限定，接头还是从传统的物理仿真，转向基于数据驱动的神经蚁集仿真器。
然则，这一齐径靠近着两个中枢瓶颈：
一方面是标注资本极高。
本质仿真器依赖由传统数值求解器（如 CFD/FEA）生成的监督数据，生成一个工业级精度样本时常破钞数万 CPU 小时，粗糙的"标签生成"资本严重赶走了仿真器的鸿沟化（Scaling）。
另一方面是静态预本质的局限。
尽管互联网上有海量的 3D 几何数据，但如若仅对静态几何进行自监督预本质（如常见的掩码重建任务），会因填塞缺失"能源学"维度，导致模子无法捕捉物理仿确实中枢特征，致使鄙人游任务中出现"负迁徙"气候。
基于此，恺明团队提议了一种全新的预本质范式——能源学培植的几何预本质（Dynamics-lifted Geometric Pre-training）。
其中枢在于，天然真确的物理标签难求，但"能源学"自己是不错被参数化的。
接头通过在预本质阶段引入合成能源学（Synthetic Dynamics），让 GeoPT 不仅学习到几何特征，还通过引入当场速率场 v，将表征从单纯的几何空间培植到"几何 + 能源学"的合股空间。
在这里，接头不依赖由物理决定、且需要上流仿真才能获取的 v，而是通过当场采样每个粒子的速率来构建合成速率（Synthetic Velocities）：
由此，自监督成见形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，接头获取了一个填塞由几何构建的、感知能源学的监督信号。
这使得模子在战役真确的物理标签之前，就概况通过海量无标签几何数据，事先学习到物理演化中通用的空间顾问与耦合规则。
与此同期，上述能源学培植框架不仅提供了预本质成见，还为卑劣任务提供了一个合股的接口：在预本质和微调阶段，模子均招揽几何和速率动作输入。
预本质后，GeoPT 捕捉到了以速率为条目的物理对王人相干性，通过将能源学条目特化为相应的仿真缔造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。
本质历程
在预本质阶段，模子被本质用于瞻望合成能源学下的几何特征轨迹，其亏蚀函数界说为：
{jz:field.toptypename/}
该成见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中进行类别均衡采样。
跟踪点 x：从物体周围的体积空间和几何鸿沟上采样启动位置。
速率 v：从有界球体中为每个点均匀采样当场速率。
给定上述 ( G， V ) 信息后，澳洲幸运5app官网下载轨迹通过公式详情趣臆想得出，其监督成见即为沿此旅途的几何特征序列。
由于预本质使 GeoPT 捕捉到了以速率为条目的物理对王人相干性，在微调阶段，只需将预本质时的当场速率替换为编码了特定仿真缔造的任务特定速率。
具体的适配计谋如下：
空气能源学：将入射流条目（速率、攻角等）编码为 Vs，其标的与流向一致。
水能源学：差异为水、气两相等置不同的 Vs，反馈船舶阻力仿真中的两相流。
碰撞仿真：将冲击标的编码为 Vs，其大小从碰撞点脱手随空间衰减，以反馈力的传播。
这种合股接口的规划，使得单个预本质模子只需通过重树立速率输入，即可适配各样化的物理仿真任务。
在具体的细节方面，接头经受 Transolver 动作主干蚁集，并树立了从 3M 到 15M 参数的三种模子尺寸。
在数据效果方面，轨迹被冲破化为 3 个挨次，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 100 个当场能源学场。
在臆想上风上，监督信号通过优化的射线 - 三角形求交算法臆想。惩处一个样本仅需约 0.2 秒，比工业级 CFD 仿真快 10^7 倍。在 80 核 CPU 上，仅需 3 天即可生成 5TB 的预本质数据集。
现在，该框架已开源，感兴味的同学不错参考文末王人集。
实验考据
在预本质中，接头使用 ShapeNet-V1 数据集，包含汽车、飞机、船舶等三类工业相干几何，通过采样生成了朝上 100 万个样本（约 5TB 数据） 。
任务粉饰流膂力学： 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： 汽车碰撞最大应力仿真 ( Car-Crash ) 以及 辐照度仿真 ( Radiosity ) 等 。
实验赶走标明，GeoPT 显耀裁汰了对标注数据的依赖，在达到相易精度时可圣洁20-60%的物理仿真数据。
与此同期，GeoPT 还使微调阶段的不休速率比重新本质快2 倍。
何况，跟着模子层数加多（从 8 层加多到 32 层）和预本质数据量的增大，性能执续稳步培植，展现了"物理大模子"的后劲 。
总的来说，论文发挥了通过"合成能源学轨迹"进行预本质，不错灵验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诱骗了一条可膨胀的旅途，即：
大鸿沟无标签几何 + 浮浅的合成能源学自监督 = 远大的跨领域物理仿真才能。
论文作家
这篇论文的第一作家是来自 MIT（CSAIL）的博士后接头员吴海旭。
他现在师从Wojciech Matusik教悔。此前，吴海旭在清华大学获取博士和学士学位，导师为龙明盛教悔。
值得一提的是，龙明盛教悔现为清华大学软件学院副教悔，亦然本文作家之一。
论文的共同第一作家是Minghao Guo，他现在为 MIT（CSAIL）博士生，相似师从 Wojciech Matusik 教悔。
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（何恺明教悔的博士后）、MIT 博士生Zhiyang ( Frank ) Dou，以及何恺明教悔和 Wojciech Matusik 教悔。
参考王人集
[ 1 ] https://arxiv.org/abs/2602.20399v1
[ 2 ] https://github.com/Physics-Scaling/GeoPT
— 迎接 AI 居品从业者共建 —
� �「AI 居品常识库」是量子位智库基于恒久居品库跟踪和用户举止数据推出的飞书常识库，旨在成为 AI 行业从业者、投资者、接头者的中枢信息关节与方案复旧平台。
一键温和 � � 点亮星标
科技前沿阐扬逐日见
备案号: