Copyright 2018-2025 报纸迷 版权所有 京ICP备2018136890号
静态3D资产缺少动力学信息，真实物理标签又极其昂贵——
物理仿真到底该如何scaling？
何恺明团队最新的论文GeoPT提供了新思路——
GeoPT提出了一种全新的动力学提升预训练范式，通过合成动力学（Synthetic Dynamics）将静态几何“提升”到动态空间，让模型在无标签数据上通过学习粒子轨迹演化来获取物理直觉。
在相同的精度条件下，GeoPT最高可以节省60%的物理仿真数据。
接下来，我们一起来看。
将静态几何“提升”到动态空间
一般来说，物理系统的解场（Solution Fields）是由几何G（定义空间边界）和系统条件S（动力学驱动，如速度、力）共同决定的。
以空气动力学为例，汽车的形状（几何）定义了空间的边界，而风速和风向（动力学条件）则决定了流场的演化与具体的阻力分布。
当前，为了实现对物理系统的预测与控制，研究已经从传统的物理仿真，转向基于数据驱动的神经网络仿真器。
然而，这一路径面临着两个核心瓶颈：
一方面是标注成本极高
训练仿真器依赖由传统数值求解器（如CFD/FEA）生成的监督数据，生成一个工业级精度样本往往耗费数万CPU小时，高昂的“标签生成”成本严重限制了仿真器的规模化（Scaling）。
另一方面是静态预训练的局限
尽管互联网上有海量的3D几何数据，但如果仅对静态几何进行自监督预训练（如常见的掩码重建任务），会因完全缺失“动力学”维度，导致模型无法捕捉物理仿真的核心特征，甚至在下游任务中出现“负迁移”现象。
基于此，恺明团队提出了一种全新的预训练范式——动力学提升的几何预训练（Dynamics-lifted Geometric Pre-training）
其核心在于，虽然真实的物理标签难求，但“动力学”本身是可以被参数化的。
研究通过在预训练阶段引入合成动力学（Synthetic Dynamics），让GeoPT不仅学习到几何特征，还通过引入随机速度场v，将表征从单纯的几何空间提升到“几何+动力学”的联合空间。
在这里，研究不依赖由物理决定、且需要昂贵仿真才能获取的v，而是通过随机采样每个粒子的速度来构建合成速度（Synthetic Velocities）
由此，自监督目标变成了几何特征在这种合成动力学下的轨迹：
于是，通过追踪几何特征沿这些合成轨迹的演化过程，研究获得了一个完全由几何构建的、感知动力学的监督信号。
这使得模型在接触真实的物理标签之前，就能够通过海量无标签几何数据，预先学习到物理演化中通用的空间约束与耦合规律。
与此同时，上述动力学提升框架不仅提供了预训练目标，还为下游任务提供了一个统一的接口：在预训练和微调阶段，模型均接收几何和速度作为输入。
预训练后，GeoPT捕捉到了以速度为条件的物理对齐相关性，通过将动力学条件特化为相应的仿真设置并学习求解器生成的标签，进而可以被微调至特定的物理任务。