面向 CFD 中神经代理器的多保真度比例律探索
机器学习
2025-11-04 v1 流体动力学
摘要
比例律描述了模型性能随数据、参数和计算资源的增长方式。虽然语言或视觉领域通常可以在较低成本下收集大量数据，但科学机器学习受限于通过数值仿真生成训练数据的高昂成本。然而，通过调整建模假设和近似方法，可将仿真保真度与计算成本进行权衡，这一方面在其他领域并不存在。我们利用低保真度和高保真度雷诺平均 Navier-斯塔克方程 (RANS) 仿真，研究神经代理器中数据保真度与成本之间的权衡。通过重新定义经典比例律，将数据轴分解为计算预算与数据组成。我们的实验揭示了计算-性能比例律行为，并呈现出给定数据配置下预算依赖的最优保真度混合方案。这些发现首次针对多保真度神经代理器数据集提出经验性比例律，为科学机器学习中计算高效的数据生成提供了实用考量。
引用
@article{arxiv.2511.01830,
title = {Towards Multi-Fidelity Scaling Laws of Neural Surrogates in CFD},
author = {Paul Setinek and Gianluca Galletti and Johannes Brandstetter},
journal= {arXiv preprint arXiv:2511.01830},
year = {2025}
}