ARC-STAR：PDE 基础模型的可审计事后修正

偏微分方程 (PDE) 基础模型是预训练的网络，可预测速度和压力等物理场如何从单个可重复使用的求解器演化。在不熟悉的流上，他们的预测会逐步漂移，错误集中在几个区域，但再训练会破坏网络的稳定性，而统一的事后校正会忽略这种空间集中。为了解决这个问题，我们提出了一个冻结求解器事后校正框架，即用于可审计细化的自适应风险校准空间分类（ARC-STAR）。 ARC-STAR 将校正分为三个阶段：全局校正器消除广泛的求解器偏差，按块局部细化器清除全局后残差，以及在部署时，无标签分数在计算预算下将细化路由到高风险块。该框架被设计为（i）冻结主机，保留预训练的解算器而无需 微调； (ii) 可审计，全球和地方阶段分别进行培训和评估，以做出可衡量的贡献； (iii) 预算意识，使用块式接口来细化整个领域或将有限的计算路由到高风险区域。在跨越 10 个机制单元的 5 个流量基准中，ARC-STAR 是唯一一种在每个单元上将速度采样轨迹误差比原始 Poseidon 减少至少 36 倍的方法。全局阶段将原始主机错误减少了 91-99%，局部阶段进一步将剩余的全局后残差减少了高达 94.4%。