面向多物理流体动力学预测的视觉情境算子网络 (VICON)
机器学习
2026-01-16 v5 数值分析
数值分析
流体动力学
摘要
情境算子网络 (ICON) 已展示出在稀疏样本学习中学习跨越多种偏微分方程的算子能力。然而，现有 ICON 处理每个空间点作为独立标记，在处理高维空间数据时严重限制了计算效率。我们提出了视觉情境算子网络 (VICON)，其集成了视觉Transformer 架构，通过块状操作高效处理二维数据，同时保持 ICON 对多物理系统及可变时间步的适应性。经过三个流体动力学基准测试评估，VICON 显著优于最先进的基线方法：DPOT 和 MPP，平均最后一步滚动误差分别比 DPOT 降低 37.9%，比 MPP 降低 44.7%，而推理时间仅为 DPOT 的 72.5% 和 MPP 的 34.8%。VICON 自然支持灵活的滚动策略，允许时间步长变化，在实际测量系统中常见采样频率不同或帧丢失的情况下即可直接部署，无需重新训练或插值。在这些真实场景下，VICON 显示出惊人的鲁棒性，仅比基线方法的 71.37%-74.49% 的性能下降幅度差了 24.41%，展现出在实际应用中部署的 versatility。我们的脚本及代码已公开于 https://github.com/Eydcao/VICON。
引用
@article{arxiv.2411.16063,
title = {VICON: Vision In-Context Operator Networks for Multi-Physics Fluid Dynamics Prediction},
author = {Yadi Cao and Yuxuan Liu and Liu Yang and Rose Yu and Hayden Schaeffer and Stanley Osher},
journal= {arXiv preprint arXiv:2411.16063},
year = {2026}
}
备注
update after TMLR accept