BriefGPT - AI 论文速递
·
物理替代模型的多物理预训练
💡
原文中文，约500字，阅读约需1分钟。
📝
内容提要
该文介绍了一种名为多物理预训练（MPP）的方法，用于物理代理建模。该方法通过学习在不同物理任务中广泛适用的特征，训练大型代理模型来同时预测多个异质物理系统的动力学。该方法在广泛的流体力学基准测试中验证了其有效性，并且无需微调。
🎯
关键要点
-
介绍了一种名为多物理预训练（MPP）的方法，用于物理代理建模。
-
MPP通过学习在不同物理任务中广泛适用的特征，训练大型代理模型。
-
该方法能够同时预测多个异质物理系统的动力学。
-
引入了共享的嵌入和归一化策略，将多个系统的字段投影到单一共享的嵌入空间中。
-
在广泛的流体力学基准测试中验证了MPP方法的有效性。
-
MPP在预训练任务和下游任务上均表现优于特定任务的基准模型，且无需微调。
-
微调MPP训练的模型在多个时间步长上的新物理现象预测能力更准确。
-
开源了代码和多个尺度上训练的模型权重，以便复现和社区实验。
➡️
