世界模型可以学习环境如何响应行动，正在成为通过想象的未来进行规划、改变游戏、机器人和自动驾驶决策的强大范例。将这种功能引入制造可以在高保真模拟无法实现的时间尺度上做出工艺决策。在这里，我们介绍了一种局部高动态激光熔池的生成世界模型，该模型可以预测候选动作下温度和相形态的历史演变。其生成潜在动力学捕获了未解决的熔体流动的影响，从而在瞬态激光输入下实现比确定性回归器更准确的递归执行轨迹。由于学习到的动力学是可微的，因此该模型可以直接用作预测控制对象。 梯度通过想象的未来优化激光时间表，调节以前未见过的几何形状、路径、初始化的熔池深度。我们进一步将这种优化提炼为摊销的策略，它在单个前向传递中产生控制操作，为机器上的实际部署提供概念证明。
图 3：以较小的重建成本实现紧凑的离散表示，以及支持瞬态激光输入下预测的生成动力学。 (a) 重建留出常量参数框架 ($t=1.7~\mathrm{ms}$)，在 FSQ 自动编码器的中值熔池场误差处选择：具有熔池边界 ($\boldsymbol{\alpha}\boldsymbol{\mu}=0.5$) 轮廓的 CFD 温度，以及 FSQ 自动编码器和相同架构的连续瓶颈的绝对温度误差 $|\mathbf{T}-\mathbf{T}_{\mathrm{CFD}}|$。 IoU，熔池与 CFD 的交集。 (b) 在 $88$ 瞬态测试用例上，连续自动编码器、消融的 FSQ 自动编码器和 WM (WM) 的 FSQ 自动编码器相对于基础 WM (100%) 的执行轨迹误差的重建误差：温度和相位指示器的中值相对 $L_{2}$ 误差，以及熔池深度误差（ 执行轨迹）。 FSQ 表示预训练的自动编码器，FSQ (WM) 表示在时变帧上微调的相同自动编码器，并由所有转换模型使用（补充表 S5 和 S8）。 (c-g) 所有 $88$ 瞬态测试用例的转换模型评估。 (h-l) 作为 c-g，在 $19$ 快速随机游走情况下。 $4~\mathrm{ms}$ 自回归执行轨迹上的 (c,h) 温度、(d,i) 相位指示器和 (e,j) 熔池场连续排序概率得分 (CRPS)。 (f,k) 在所有激光开启步骤上汇集的熔池深度和体积 CRPS，在两行中通过所有 $88$ 瞬态情况的激光开启步骤上的平均 CFD 值进行标准化。 (g,l) 激光深度 CRPS，在 $n=10$、$20$、$50$、$75$ 或 $100$ 时变情况下的微调后汇总，如 f,k 所示。水平线显示参考模型。 Base DiT 是按恒定计划预训练的流匹配转换（$360$ 训练和 $40$ 验证案例），Fine Tuned 是其对 $100$ 时变案例的早期停止适应，由两个控制器使用。 ViT [38] 和 Transolver [39] 是在相同的恒定时间表数据上训练的确定性基线。 Pure Transient 是在所有 $800$ 时变案例（包括微调和验证案例）上从头开始训练的流程匹配转换。生成模型每个案例使用 8 个执行轨迹样本，而对于确定性模型，CRPS 会减少到平均绝对误差。 c-e 和 h-j 中的曲线显示案例均值，c-l 中的条带和误差线表示案例中的 $95\%$ 自举置信区间。
