谷歌论文 Kastor:把物理基础模型改造成高效 PDE 生成式仿真器
qberthet · x · 2026-09-04
arXiv 2608.06107(谷歌团队)提出 Kastor,一套将确定性物理基础模型改造为高效、精确生成式代理模型的完整方法:
- 两阶段推理:大步长因果自回归模型 + 非因果时间超分网络,显著降低长时程误差累积并控制计算成本;
- 均值预测正则化(MPR):新训练目标,约束模型在零噪声条件下预测确定性分布均值,大幅提升 FGN 与扩散型仿真器的性能与稳定性;
- 空间梯度匹配:以功率谱密度衡量,提升仿真的物理保真度。
该工作回应了自回归 ML 仿真器长期存在的误差累积与难以刻画随机性的问题。发帖人正基于此开设「AI for scientific computing」课程。
「研究」频道最新
- 753B 模型思考、4B 模型执笔:潜空间协作实现 20 倍提速 — burny_tech · 2026-09-04
- SFT 可能毁掉 RL 起点：微软 TailSFT 论文称 pass@1 最高提升 3.93 个百分点 — rohanpaul_ai · 2026-09-04
- TailSFT 论文：过滤已拟合样本做 SFT，RL 后 pass@1 提升最高 4% — rohanpaul_ai · 2026-09-04
- Vals AI 发布 SRE-Bench：考验模型逆向工程二进制文件的新安全基准 — dyn___ · 2026-09-04
- 研究称涌现性对齐失效可预测,本质是泛化而非"邪恶人格" — burny_tech · 2026-09-04
- 研究者指出 RL 驱动的 AI 进展难以覆盖真正分布外泛化 — chris_j_paxton · 2026-09-04