SIMSHIFT：神经代理模型适应分布偏移的基准测试
机器学习
2026-02-11 v3 计算机视觉与模式识别
计算物理
摘要
偏微分方程(PDE)的神经代理模型在训练分布之外的问题配置（如新的初始条件或结构尺寸）下评估时，往往会出现显著的性能退化。虽然无监督域适应(UDA)技术已在视觉和语言领域广泛用于跨域泛化而无需额外标注数据，但其在复杂工程仿真中的应用仍 largely unexplored。本工作通过两项聚焦贡献填补了这一空白。首先，我们引入SIMSHIFT，一个由四个工业仿真任务组成的新型基准数据集与评估套件，涵盖多样化的过程与物理：热轧、钣金成形、电动机设计和散热器设计。其次，我们将已建立的UDA方法扩展至最先进的神经代理模型并进行系统评估。在SIMSHIFT上的大量实验揭示了分布偏移下神经代理建模的挑战，展示了UDA在仿真中的潜力，并揭示了在工业相关场景下实现鲁棒神经代理模型仍存在的开放问题。我们的代码库位于 https://github.com/psetinek/simshift
引用
@article{arxiv.2506.12007,
title = {SIMSHIFT: A Benchmark for Adapting Neural Surrogates to Distribution Shifts},
author = {Paul Setinek and Gianluca Galletti and Thomas Gross and Dominik Schnürer and Johannes Brandstetter and Werner Zellinger},
journal= {arXiv preprint arXiv:2506.12007},
year = {2026}
}