基于混合Mamba-Transformer架构与物理信息微调的时空场生成
机器学习
2026-02-12 v5 人工智能
计算物理
摘要
本研究针对通过数据驱动训练模型生成时空物理场时遇到的显著物理方程偏差挑战。基于混合Mamba-Transformer架构，开发了一种名为HMT-PF的时空物理场生成模型，该模型将非结构化网格信息作为输入。引入了一个增强物理信息的微调模块，以有效减少物理方程偏差。通过点查询机制计算物理方程残差以实现高效梯度评估，然后将其编码到潜在空间中进行精化。微调过程采用自监督学习方法，以在保持基本场特征的同时实现物理一致性。结果表明，混合Mamba-Transformer模型在生成时空场方面取得了良好性能，而物理信息微调机制进一步有效减少了显著的物理误差。开发了一种MSE-R评估方法，用于评估物理场生成的准确性和真实性。
引用
@article{arxiv.2505.11578,
title = {Spatiotemporal Field Generation Based on Hybrid Mamba-Transformer with Physics-informed Fine-tuning},
author = {Peimian Du and Jiabin Liu and Xiaowei Jin and Wangmeng Zuo and Hui Li},
journal= {arXiv preprint arXiv:2505.11578},
year = {2026}
}