通过多物理场预训练实现通用神经算子
机器学习
2025-11-17 v1
摘要
尽管神经算子在数据驱动的物理仿真中广泛应用，但其训练仍然计算昂贵。近期的进展通过下游学习来解决此问题，即在更简单的问题上预训练模型，然后在更复杂的问题上进行微调。在本研究中，我们探索了Transformer-based神经算子，这些算子此前仅应用于特定问题，在更通用的迁移学习设置中进行评估。我们在多种PDE问题上评估了其性能，包括对未见参数的外推、新变量的整合以及从多方程数据集的迁移。我们的结果表明，高级神经算子架构可以有效地跨越PDE问题传递知识。
关键词
引用
@article{arxiv.2511.10829,
title = {Towards Universal Neural Operators through Multiphysics Pretraining},
author = {Mikhail Masliaev and Dmitry Gusarov and Ilya Markov and Alexander Hvatov},
journal= {arXiv preprint arXiv:2511.10829},
year = {2025}
}
备注
5 pages, 1 figure, accepted for Machine Learning and the Physical Sciences Workshop, NeurIPS 2025