基于可迁移神经场跨时间与系综的科学信号快速摊销拟合
机器学习
2026-04-23 v1 计算工程、金融与科学
计算机视觉与模式识别
摘要
神经场，也称为隐式神经表示（INR），为建模连续几何提供了一个强大的框架，但其在高维科学环境中的有效性受到缓慢收敛和扩展挑战的限制。在本研究中，我们将 INR 模型扩展以处理时空和多变量信号，并展示了如何将 INR 特征跨科学信号进行迁移，从而以摊销方式实现跨时间和系综运行的高效且可扩展的表示。在受控变换机制（例如，几何变换和合成场的局部扰动）和高保真科学领域（包括湍流、流体-材料冲击动力学以及天体物理系统）中，我们表明可迁移特征不仅提高了信号保真度，还提高了导出的几何和物理量的准确性，包括密度梯度和涡度。具体而言，可迁移特征将达到目标重建质量所需的迭代次数减少多达一个数量级，将早期阶段的重建质量提高了多个 dB（在某些情况下增益超过 10 dB），并持续提升了基于梯度的物理准确性。
引用
@article{arxiv.2604.19979,
title = {Fast Amortized Fitting of Scientific Signals Across Time and Ensembles via Transferable Neural Fields},
author = {Sophia Zorek and Kushal Vyas and Yuhao Liu and David Lenz and Tom Peterka and Guha Balakrishnan},
journal= {arXiv preprint arXiv:2604.19979},
year = {2026}
}