派生字段在预算限制的神经模拟器中保留细粒度细节

在固定存储预算下实现细粒度保真神经模拟仍具有挑战。许多现有方法通过改进架构、训练目标或滚动策略来降低高频误差。然而，在受限的粗化-量化-解码管道下，细节在所携带的状态构建时就会丢失。在规范的不可压缩 Navier-Stockes 周期设置下，我们表明原始场和派生场在相同算子下会发生系统性不同的保留带 distortion。鼓励这一观察，我们提出派生场优化 (DerivOpt)，一种通用的状态设计框架，在校准的信道模型下选择携带哪些物理场以及如何在它们之间分配存储预算。在 PDEBench 的完整时间依赖前向子集上，DerivOpt 不仅改进了池化平均滚动 nRMSE，还在广泛的强基准上实现了在细节保真度上的决定性优势。更重要的是，收益在滚动学习开始之前就已经可见。这表明，在紧张的存储预算下，所携带的状态往往是决定性瓶颈。这类结果表明，更广泛的结论是：在预算限制的神经模拟中，所携带的状态设计应被视为与架构、损失和滚动策略并列的首要设计轴。