GeoPT：通过提升几何预训练扩展物理仿真
机器学习
2026-05-21 v2
摘要
神经仿真器承诺作为物理仿真的高效替代品，但其规模化受限于生成高保真训练数据的昂贵成本。基于大量即插即用几何进行预训练是一个自然的备选方案，然而面临根本性差距：仅对静态几何进行监督会忽略动力学，可能导致物理任务上的负迁移。我们提出 GeoPT，一种基于提升几何预训练的通用物理仿真预训练模型。核心思想是以合成动力学增强几何，从而实现无需物理标签即可进行动力学感知的自监督学习。在超过一百万样本上进行预训练，GeoPT 在涵盖汽车、飞机和船舶的流体力学以及碰撞仿真中的固体力学的工业保真基准测试中持续改进性能，减少了 20-60% 的标记数据需求，并加快收敛速度 2 倍。这些结果表明，通过合成动力学的提升桥接了几何-物理之间的差距，为神经仿真乃至更广泛的应用打开了可扩展的路径。代码可在 https://github.com/Physics-Scaling/GeoPT 获取。
引用
@article{arxiv.2602.20399,
title = {GeoPT: Scaling Physics Simulation via Lifted Geometric Pre-Training},
author = {Haixu Wu and Minghao Guo and Zongyi Li and Zhiyang Dou and Mingsheng Long and Kaiming He and Wojciech Matusik},
journal= {arXiv preprint arXiv:2602.20399},
year = {2026}
}
备注
Project Page: https://physics-scaling.github.io/GeoPT/