PDE foundation model 加速的惯性约束聚变中系统参数的反向估计
音频与语音处理
2026-03-06 v1 声音
摘要
PDE foundation models 通常在大规模、多样化的 PDE 数据集上进行预训练，可适应 limited task-specific data 的新设置。然而，大多数下游评估 focuses on forward problems，如自回归 rollout prediction。在本工作中，我们研究了惯性约束聚变 (ICF) 中的一个逆问题：从多模态、快照样式的观测 (outputs) 估计系统参数 (inputs)。使用提供 hyperspectral X 射线图像和每个仿真的标量可观测量的 open JAG benchmark，我们对 PDE foundation model 进行 fine-tuning 并训练一个 lightweight task-specific head 来联合重构 hyperspectral 图像和回归系统参数。fine-tuning 的模型实现了准确的 hyperspectral 重建 (test MSE 1.2e-3) 和 strong 参数估计性能 (最高达 R^2=0.995)。数据规模实验 (5%-100% 训练集) 显示，在训练数据量增加的情况下，重建和回归损失均表现出 consistent 的改善，低数据 regime 中的最大边际收益最为显著。最后，从 pretrained MORPH 权重进行 fine-tuning 的性能优于从头训练相同的 architecture，表明 foundation-model 初始化 improve sample efficiency for data-limited ICF 中的逆问题。
引用
@article{arxiv.2603.04605,
title = {Temporal Pooling Strategies for Training-Free Anomalous Sound Detection with Self-Supervised Audio Embeddings},
author = {Kevin Wilkinghoff and Sarthak Yadav and Zheng-Hua Tan},
journal= {arXiv preprint arXiv:2603.04605},
year = {2026}
}