ARC-STAR：用于 PDE 基础模型的可审计后处理校正
机器学习
2026-05-26 v3
摘要
偏微分方程 (partial differential equation, PDE) 基础模型是预训练的网络，用于从单个可重用求解器预测物理场如速度和压力的演化。在不熟悉的流场中，其预测会逐步漂移，错误在少数区域中聚集，但重新训练会使网络不稳定，而统一的后处理校正忽略了这种空间聚集。为此，我们提出了一种冻结求解器后处理校正框架：自适应风险校准空间分诊用于可审计细化 (Adaptive Risk-Calibrated Spatial Triage for Auditable Refinement, ARC-STAR)。ARC-STAR 将校正组织为三个阶段：全局校正器消除广泛求解偏差，块状局部细化器清除后全局残差，在部署时，一个无标签得分将细化路由到受计算预算限制的高风险块。该框架设计为 (i) 冻结主机，保留预训练求解器无需微调；(ii) 可审计，全局和局部分阶段分别进行训练和评估，以实现可衡量的贡献；(iii) 预算感知，使用块状界面要么细化整个场，要么将有限计算资源路由到高风险区域。在覆盖十个制程单元的五个流基准测试中，ARC-STAR 是唯一在每个单元上将原始 Poseidon 的速度滚动误差降低至少 36 倍的方法。全局阶段将原始主机误差降低 91-99%，局部分阶段进一步将剩余的后全局残差降低最高可达 94.4%。
引用
@article{arxiv.2605.22222,
title = {ARC-STAR: Auditable Post-Hoc Correction for PDE Foundation Models},
author = {Chengze Li and Lingwei Wei and Li Sun and Hongbo Lv and Jie Yang and Hanrong Zhang and Kening Zheng and Wei-Chieh Huang and Enze Ma and Philip S. Yu},
journal= {arXiv preprint arXiv:2605.22222},
year = {2026}
}
备注
40 pages, including appendices