💡
原文中文，约3000字，阅读约需7分钟。
📝
内容提要
何恺明团队的GeoPT提出了一种新预训练范式，通过合成动力学将静态几何转化为动态空间，使模型能够在无标签数据上学习物理规律。该方法节省了20-60%的物理仿真数据，提高了训练效率和适应性，为物理仿真提供了新思路。
🎯
关键要点
- 何恺明团队提出GeoPT，采用新预训练范式，通过合成动力学将静态几何转化为动态空间。
- 该方法使模型能够在无标签数据上学习物理规律，节省20-60%的物理仿真数据。
- 物理系统的解场由几何和动力学条件共同决定，当前研究已从传统物理仿真转向数据驱动的神经网络仿真器。
- 标注成本高和静态预训练的局限性是当前仿真器面临的两个核心瓶颈。
- GeoPT通过合成动力学提升几何预训练，使模型在接触真实物理标签之前学习物理演化中的空间约束与耦合规律。
- 预训练阶段模型学习合成动力学下的几何特征轨迹，微调阶段通过特定仿真设置的速度进行适配。
- GeoPT在实验中显著降低了对标注数据的依赖，微调阶段收敛速度比从头训练快2倍。
- 随着模型层数和预训练数据量的增加，GeoPT的性能持续提升，展现出物理大模型的潜力。
- GeoPT为构建通用的物理仿真基础模型开辟了一条可扩展的路径，结合大规模无标签几何和合成动力学自监督。
➡️
