神经物理求解器的超出分布 generalization
摘要
神经物理求解器因其在 physical、materials 或 biological 系统及其 long-time evolution 中提供 rapid in silico insights 的潜力而日益受到青睞。然而，poor generalization beyond their training support 限制了对 novel designs 和 long-time horizon predictions 的探索。我们引入了 NOVA，以实现 generalizable neural physics solvers，能够在 PDE 参数、几何形状和初始条件发生 distributional shifts 时，提供 rapid、accurate 的解决方案。通过从初始稀疏的 scenario 集合中学习 physics-aligned representations，NOVA 在包括 heat transfer、diffusion-reaction 和 fluid flow 等复杂、nonlinear 问题上， consistently 实现 1-2 个数量级的 lower out-of-distribution 错误。我们进一步展示了 NOVA 在稳定 long-time 动力学 rollout 和通过模拟 nonlinear Turing 系统和 fluidic chip optimization 提升 generative design 方面的双重影响。与受限于 retrieval 和/或 emulation within an a priori space 的神经物理求解器不同，NOVA 实现了可靠的 extrapolation beyond known regimes，这是科学 discovery 中探索 novel hypothesis spaces 所必需的关键能力。
引用
@article{arxiv.2601.19091,
title = {Out-of-Distribution Generalization for Neural Physics Solvers},
author = {Zhao Wei and Chin Chun Ooi and Jian Cheng Wong and Abhishek Gupta and Pao-Hsiung Chiu and Yew-Soon Ong},
journal= {arXiv preprint arXiv:2601.19091},
year = {2026}
}