当深度学习模型处理的物理系统被离散成26万个点时，之前能应对分叉的模型基本要瘫掉——直到arXiv上的一篇论文带来了Bi-FORK。
分叉系统，AI没摸透的物理难题。分叉在物理里太常见了：结构受压力后的屈曲、流体的波动突变、气候模式的切换，都是典型的分叉现象。但主流的深度学习物理代理模型，默认遵循“一对一映射”规则——给一个输入，输出唯一的确定解。可分叉不一样，同一个输入往往对应多个同等有效的解，这直接戳破了之前模型的核心假设，导致这类AI在分叉系统面前基本抓瞎。
Bi-FORK的门道，核心在两个设计。一是用潜在流匹配生成完整轨迹，能牢牢守住时空的一致性——不会出现模拟里轨迹突然飘移的问题；二是靠排斥引导的采样，一次推理就能把不同的解分支都找出来，不用反复试错。论文里的测试很扎实：选了三个典型的分叉场景——屈曲梁、力学超材料、Allen-Cahn相分离，覆盖了连续、离散、场值不同类型的分叉，而且离散化的点数能到26万之多。对比之前的方法，Bi-FORK的规模拓展了好几个数量级，这才是最关键的突破——之前高维分叉系统的生成建模，根本跑不动，现在它能稳稳hold住。
这东西能用来干嘛？对做工程的人来说，力学超材料、结构设计这些场景，本来要算屈曲、变形的多分支解，靠传统仿真要耗掉几天甚至几周的算力，现在用Bi-FORK生成模型，直接出完整的多分支轨迹，效率提升是量级上的。对气候、流体领域的研究者，之前模拟突变式的分叉现象，比如极端天气的路径选择，高维下根本没法快速生成多组解，现在可能有了更顺手的工具。还有个隐性的价值：之前生成建模主要集中在图像、文本这类数据领域，现在拓展到了高维物理系统，等于把生成AI的边界又推了一步。
不过有个问题没答案：这种专门针对高维分叉的生成模型，是先落地到工程设计里帮人省算力，还是会先帮气候科学家补上极端天气模拟的短板？
素材来源：arXiv (LLM/多模态新论文) · AI情报、AI行业观察
查看报道原文
本文由 WeValue 情报引擎基于公开报道整理改写
发表第一条评论吧