PHASE：面向科学模拟的物理集成、异质性感知代理模型
机器学习
2025-09-30 v1 计算物理
摘要
大规模数值模拟支撑着现代科学发现，但受到 prohibitive 计算成本的制约。AI 代理模型提供了加速手段，但在任务关键场景中的采用受到对物理合理性、可信度以及异质数据融合的担忧的限制。我们引入了 PHASE，一个用于科学模拟中物理集成、异质性感知代理模型的模块化深度学习框架。PHASE 结合了面向数据类型的异质输入编码器与多级物理约束，从局部动力学到全局系统行为促进一致性。我们在 U.S. Department of Energy 的能源指数级地球系统模型（E3SM）陆地模型（ELM）的生物地球化学（BGC）自旋启动工作流上验证了 PHASE，据我们所知呈现了该任务的首个经过科学验证的 AI 加速解决方案。仅使用前 20 年的模拟数据，PHASE 推断出否则需要超过 1200 年积分才能达到的近平衡状态，实现了所需积分长度的至少 60 倍有效缩减。该框架由异质科学数据融合流水线驱动，并展示了向更高空间分辨率的强泛化能力，且只需最少的微调。这些结果表明 PHASE 捕获的是控制性物理规律而非表面相关性，从而实现了对地表建模和其他复杂科学工作流的实用、物理一致的加速。
引用
@article{arxiv.2509.23453,
title = {PHASE: Physics-Integrated, Heterogeneity-Aware Surrogates for Scientific Simulations},
author = {Dawei Gao and Dali Wang and Zhuowei Gu and Qinglei Cao and Xiao Wang and Peter Thornton and Dan Ricciuto and Yunhe Feng},
journal= {arXiv preprint arXiv:2509.23453},
year = {2025}
}
备注
19 pages, 13 figures