神经算子的可学习组合

神经算子是物理模拟的快速、可微的替代物，但当域几何形状、大小或操作条件与训练不同时，它们的准确性通常会降低。有监督的适应可以恢复准确性，但即使是小目标集也需要昂贵的高保真模拟。因此，我们询问如何将预训练和迁移设计在一起以降低部署成本。 LatentDDM 首先预训练神经算子来预测小子域上的场。对于新设置，它冻结该运算符并仅训练组成本地预测的轻量级模块。我们在两个互补的问题上评估我们的方法：稳定达西流，其中远程压力耦合必须延伸到越来越大的多孔域，以及俯仰翼型周围的不稳定不可压缩流，其中当目标俯仰频率超过训练范围时，滚转误差会复合。与一次性处理整个域的容量匹配模型相比，在适应 16 个目标模拟后，LatentDDM 在较大达西域上的误差降低了 36-56%。它还改进了快速俯仰翼型流中的 20 步现场展示，包括零射击和几次射击校准后。这些结果表明，共同设计的局部预训练和组合级迁移是物理基础模型的一个有前途的设计原则。