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
- 球面不动点推理器 SFPRM：让循环 Transformer 学会自己停 — GabGarrett · 2026-10-21
- KAIST 与 Meta 提出可编程检索框架 RPL，4B 模型胜过全部 8B 基线 — CShorten30 · 2026-10-21
- AI2 发布 FairStress 基准：测出模型公平性评估中的隐性不对称 — allen_ai · 2026-10-21
- AI2 推出 FairStress：不只看模型决策结果，还测它对谁换了标准 — allen_ai · 2026-10-21
- Perplexity 发布 Decider V1.2：登顶 Vals AI 决策模型榜 ClaimBench — bo_wangbo · 2026-10-21
- 给基因模型「泄题词」全删后成绩几乎不变,LitGene 过严格盲测 — bravo_abad · 2026-10-21