物理先验在时空预测中提供有效的精度-碳权衡

现代深度学习方法的发展主要由提升模型效能（精度指标）的需求所驱动。这种对效能的单一关注引导了大规模模型的开发，这些模型需要巨大的计算资源，并在模型全生命周期中导致可观的能源消耗和相应的碳足迹。在本工作中，我们探索物理归纳偏置如何在模型效能与模型效率（计算、能源和碳）之间提供有用的权衡。我们研究了具有强、弱和无物理归纳偏置的模型，用于不可压缩剪切流的时空预测——这一任务由纳维-斯托克斯方程支配。我们发现，具有更强物理先验的模型实现了显著更低的训练碳足迹，但这一优势并未直接延伸至推理阶段，这凸显了在模型全生命周期而非单一阶段评估碳成本的重要性。我们认为，模型效率应与模型效能一同成为驱动机器学习模型开发和部署的核心考量。