深度波网络: 用于多尺度物理动力学建模
机器学习
2026-05-07 v1 人工智能
计算物理
流体动力学
等离子体物理
摘要
深度学习模型的性能严格取决于架构容量，宽度和深度为主要控制因素。然而，在物理科学应用中，模型通常在单个固定大小下进行比较，或通过分离准确性和计算成本来比较，这可能误导，因为不同架构在宽度和深度变化时的准确性-成本比例不同。这一问题在U-Net类编码器-解码器模型中尤为突出，这类模型因其能够跨空间尺度表示特征而广泛用于多尺度气体、流体和等离子体动力学。U-Net通过编码器逐步降低空间分辨率，然后通过解码器恢复分辨率进行预测。跳过连接链接相应的编码器和解码器特征，保留细节信息并提高优化效果。在实践中，U-Net通常调节宽度，而深度通常保持固定（固定数量的下/上采样阶段，每阶段仅少量卷积），限制了系统性探索深度以改进准确性-成本权衡。我们通过在系列中堆叠多个编码器-解码器“波”，并在波内外添加跳过连接以实现跨尺度的渐进式细化，从而克服了这一限制。我们将其称为深度波网络（DW-Net）。训练数据、优化方法和计划在模型之间保持相同。不 evaluate 单个配置，而是训练每个架构的多个宽度变体并比较准确性与GPU时间的 Pareto 前沿。在多个2D和3D流体基准测试中，DW-Net模型在单波U-Net的Pareto前沿上持续获得改进，在相同成本下实现更高准确性，或在相同准确性下实现更低成本，在相同训练设置下以最高可达3倍的训练时间达到低误差 regime。
引用
@article{arxiv.2605.04198,
title = {Deep Wave Network for Modeling Multi-Scale Physical Dynamics},
author = {Alexander I. Khrabry and Edward A. Startsev and Andrew T. Powis and Igor D. Kaganovich},
journal= {arXiv preprint arXiv:2605.04198},
year = {2026}
}