算子链：上下文算子学习的推理时间工具

虽然科学基础模型在加速物理模拟​​和数值预测方面显示出巨大的前景，但在遇到分布外 (OOD) 场景时，它们仍然非常脆弱。使这些通才模型适应复杂的 OOD 任务通常需要昂贵的参数 微调。在语言人工智能中，使用“Harness”绕过了这一瓶颈，“Harness”充当外部脚手架，例如推理链和用于使冻结权重适应复杂任务的工具，但为物理领域设计等效的Harness仍然是一个开放的前沿。为了弥补这一差距，我们引入了算子链（CHOP），这是一个框架，可以指导冻结的基础模型完成复杂的 OOD 任务，而无需更新单个权重。通过利用上下文算子网络 (ICON) 的上下文学习功能，CHOP 系统地将不熟悉的问题分解为一系列显式、封闭形式的数学运算和多个模型调用，将 OOD 查询转换回模型的学习操作机制。在不同的基准中，包括典型的偏微分方程问题和现实世界的空气质量预测，与直接模型评估相比，CHOP 始终如一地大幅减少了推理错误。至关重要的是，这些模块化算子链仍然是完全可解释的，并且可以推广到完全不同的物理方程组。最终，这项工作展示了冻结的科学模型如何通过可编程推理进行调整，为代理科学计算建立模块化的潜在范例。