通过神经算子分割实现物理的测试时泛化
机器学习
2026-02-03 v1
摘要
神经算子在学习偏微分方程(PDEs)的解映射方面显示出前景，但它们往往在测试输入超出训练分布时（例如新初始条件、不可见的PDE系数或不可见的物理）时难以泛化。以往方法通过大规模多物理预训练后微调来解决此限制，但仍需要来自新动力学的示例，难以实现真正的零样本泛化。在本工作中，我们提出了一种方法在测试时增强泛化性，即无需修改预训练权重。基于DISCO，该方法为不同动力学下训练的神经算子字典，引入一种神经算子分割策略，在测试时搜索训练算子组成以逼近不可见动力学。在包括参数外推和物理现象新组合等具有挑战性的分布外任务上，我们的方法实现了最先进的零样本泛化结果，同时能够恢复基本的PDE参数。这些结果凸显测试时计算作为构建灵活、可组合且通用的神经算子关键途径。
引用
@article{arxiv.2602.00884,
title = {Test-time Generalization for Physics through Neural Operator Splitting},
author = {Louis Serrano and Jiequn Han and Edouard Oyallon and Shirley Ho and Rudy Morel},
journal= {arXiv preprint arXiv:2602.00884},
year = {2026}
}