ANTIC: 自适应神经时空压缩器
机器学习
2026-05-14 v3
摘要
高分辨率、时空演化场的持久存储需求已达到 petabyte 至 exabyte 规模。由大规模高维偏微分方程（PDE） govern 的瞬态仿真（如 Navier-Stokes 方程、磁流体动力学、等离子体物理或二进制黑洞合并）生成的数据 volumes 对现代高性能计算（HPC）设施而言是难以承受的。为解决这一瓶颈，我们引入 ANTIC（Adaptive Neural Temporal in-situ Compressor），一个端到端的原位压缩管道。ANTIC 包含一个针对高维物理的自适应时序选择器，用于在仿真时刻识别并过滤信息丰富的快照，以及基于持续微调的空间神经压缩模块，该模块使用神经场学习相邻快照之间的残差更新。通过单次流式访问，ANTIC 实现了时空组件的综合压缩，有效减轻了对整个时演化轨迹显式磁盘存储的需求。实验结果表明，存储降低幅度与物理精度度相关。
引用
@article{arxiv.2604.09543,
title = {ANTIC: Adaptive Neural Temporal In-situ Compressor},
author = {Sandeep S. Cranganore and Andrei Bodnar and Gianluca Galletti and Fabian Paischer and Johannes Brandstetter},
journal= {arXiv preprint arXiv:2604.09543},
year = {2026}
}
备注
31 pages, 19 figures, 9 Tables; Accepted at ICML 2026; First authors contributed equally