Transolver-3：面向工业规模几何的 Transformer 求解器扩展
机器学习
2026-02-06 v1
摘要
深度学习已成为神经 PDE 求解器（即神经偏微分方程求解器）的变革性工具。然而，将这些求解器扩展到拥有超过 10^8 单元的工业规模几何仍是根本性挑战，due to the prohibitive memory complexity of processing high-resolution meshes。我们提出 Transolver-3，这是 Transolver 系列的新成员，是一个高度可扩展的框架，专为高保真物理仿真设计。为弥合有限 GPU 容量与复杂工程任务分辨率需求之间的差距，我们引入了两个关键架构优化：利用矩阵乘法关联性质实现更快的切片和 deslice 操作，以及几何切片分块以划分物理状态的计算。结合在原始高分辨率网格的随机子集上进行的 amortized 训练策略，以及推理期间的物理状态缓存技术，Transolver-3 能够在工业规模网格上实现高保真场预测。广泛的实验表明，Transolver-3 能够处理拥有 1.6 亿 个单元以上的网格，在包括飞机和汽车设计任务在内的三个具有挑战性的仿真基准中实现卓越性能。
关键词
引用
@article{arxiv.2602.04940,
title = {Transolver-3: Scaling Up Transformer Solvers to Industrial-Scale Geometries},
author = {Hang Zhou and Haixu Wu and Haonan Shangguan and Yuezhou Ma and Huikun Weng and Jianmin Wang and Mingsheng Long},
journal= {arXiv preprint arXiv:2602.04940},
year = {2026}
}