GLU：全局-局部-不确定性融合用于可扩展的时空重建与预测
机器学习
2026-03-30 v1
摘要
复杂物理系统的数字孪生预计能从稀疏测量中推断未观测状态并预测其随时间的演化，但这两个功能通常被作为独立任务处理。这里我们提出了 GLU，一个全局-局部-不确定性框架，将稀疏重建和动态预测统一为一个状态表示问题，并为两项任务引入了结构化潜变量组装。其核心思想是构建一个结构化潜变量状态，结合系统级组织的全局摘要、锚定在可用测量上的局部标记，以及一个根据物理信息性加权观测的不确定性驱动重要性场。对于重建，GLU 使用重要性感知的自适应邻域选择来检索局部相关信息，同时保持全局一致性并允许在任意几何体上进行灵活查询分辨率。在一系列具有挑战性的基准测试中，GLU 持续优于降阶、卷积、神经算子和基于注意力的基线，更好地保持了多尺度结构。对于预测，一个分层 Leader-Follower 动力学模块以显著减少的内存增长演化潜变量状态，在非线性动力学中保持稳定展开行为并延缓误差累积。在一个真实的湍流燃烧数据集上，它不仅保持了多个物理场中的锐利前沿和宽带结构，还保持了它们的跨通道热化学耦合。可扩展性测试表明，这些增益是以比可比基于注意力的基线显著更低的内存增长实现的。共同来看，这些结果确立了 GLU 作为稀疏数字孪生的灵活且计算实用的范式。
引用
@article{arxiv.2603.26023,
title = {GLU: Global-Local-Uncertainty Fusion for Scalable Spatiotemporal Reconstruction and Forecasting},
author = {Linzheng Wang and Jason Chen and Nicolas Tricard and Zituo Chen and Sili Deng},
journal= {arXiv preprint arXiv:2603.26023},
year = {2026}
}