融合全局-局部注意力的自适应物理Transformer：面向地下能源系统
机器学习
2026-02-13 v1
摘要
地球地下空间是现代社会的基石，提供碳氢化合物、地热和矿物等基本能源资源，同时是封存的主要储层。然而，由于地质异质性、高分辨率要求以及具有不同传播时间尺度的物理过程的紧密耦合，这些系统的全物理数值模拟在计算上极其昂贵。在此，我们提出了**自适应物理Transformer**（APT），一种与几何、网格和物理无关的神经算子，明确应对这些挑战。APT融合了一个基于图的编码器（用于提取高分辨率局部异质特征）和一个全局注意力机制（用于解析远程物理影响）。我们的结果表明，APT在规则和不规则网格上的地下任务中均优于最先进的架构，并具有鲁棒的超分辨率能力。值得注意的是，APT是第一个直接从自适应网格细化模拟中学习的架构。我们还展示了APT的跨数据集学习能力，使其成为大规模地下基础模型开发的鲁棒且可扩展的骨干网络。
引用
@article{arxiv.2602.11208,
title = {Adaptive Physics Transformer with Fused Global-Local Attention for Subsurface Energy Systems},
author = {Xin Ju and Nok Hei and Fung and Yuyan Zhang and Carl Jacquemyn and Matthew Jackson and Randolph Settgast and Sally M. Benson and Gege Wen},
journal= {arXiv preprint arXiv:2602.11208},
year = {2026}
}