UniFluids：基于条件流匹配的统一神经算子学习
机器学习
2026-03-25 v1 人工智能
摘要
偏微分方程（PDE）仿真在科学研究中具有广泛意义。目前，深度神经网络用于学习PDE解算子的做法已带来巨大潜力。本文提出UniFluids，一种条件流匹配框架，利用扩散Transformer的可扩展性，统一学习具有不同维数和物理变量的PDE的解算子。不同于自回归式PDE基础模型，UniFluids采用流匹配实现并行序列生成，首次实现统一算子学习。具体而言，引入统一的四维时空表示以适配异构PDE数据集，实现联合训练与条件编码。进一步发现，PDE数据集的有效维度远低于其patch维度。因此，我们采用 -prediction 在流匹配算子学习中，该方法经验证可显著提高预测精度。我们在覆盖1D、2D和3D空间维度的多个PDE数据集上进行大规模评估。实验结果表明，UniFluids在预测精度方面表现优异，具备良好的可扩展性和跨情景的泛化能力。代码将在随后公开。
引用
@article{arxiv.2603.22309,
title = {UniFluids: Unified Neural Operator Learning with Conditional Flow-matching},
author = {Haosen Li and Qi Meng and Jiahao Li and Rui Zhang and Ruihua Song and Liang Ma and Zhi-Ming Ma},
journal= {arXiv preprint arXiv:2603.22309},
year = {2026}
}
备注
Preprint version. Work in progress