超越精度：面向可持续神经PDE求解器的EcoL2度量
机器学习
2025-05-20 v1 人工智能
摘要
从航空航天到铁路工程，现实世界系统均使用描述系统物理特性的偏微分方程（PDE）进行建模。为此类问题估计鲁棒解至关重要。基于深度学习的架构，如神经PDE求解器，近来作为一种可靠的求解方法获得了关注。然而，这些方法的当前发展状态主要集中在提高精度上。过度计算导致碳排放增加的环境影响在很大程度上被忽视了。本文为一系列PDE求解器引入了一种碳排放度量。我们提出的度量标准EcoL2，在数据收集、模型训练和部署过程中平衡了模型精度与排放。跨物理信息机器学习架构和算子学习架构的实验表明，所提出的度量标准提供了对模型性能和排放成本的整体评估。随着此类求解器在规模和部署上的增长，EcoL2代表了朝着构建具有更低长期环境影响的高性能科学机器学习系统迈出的一步。
引用
@article{arxiv.2505.12556,
title = {Beyond Accuracy: EcoL2 Metric for Sustainable Neural PDE Solvers},
author = {Taniya Kapoor and Abhishek Chandra and Anastasios Stamou and Stephen J Roberts},
journal= {arXiv preprint arXiv:2505.12556},
year = {2025}
}