何恺明团队新作GeoPT：让模型自学物理规律

量子位 | 公众号 QbitAI

物理仿真面临两大难题：标注数据昂贵、静态几何预训练局限。何恺明团队提出全新方法GeoPT，通过“合成动力学”将静态几何提升到动态空间，让模型在无标签数据中学习物理直觉，最高可节省60%的仿真数据需求。

核心思路

物理系统的演化由几何和动力学条件共同决定，例如汽车形状影响空气流动。传统仿真依赖高成本的数值求解器生成标签，而静态几何预训练因缺失动力学信息难以捕捉核心特征。GeoPT通过引入随机速度场，构建“合成动力学”，将几何特征映射到动态空间。模型通过追踪合成轨迹，从无标签数据中学习通用物理规律，为下游任务提供统一接口。

训练流程

1. 预训练阶段：模型预测合成动力学下的几何特征轨迹，损失函数涵盖几何、追踪点和随机速度三个变量。
2. 微调阶段：将随机速度替换为任务特定速度（如流体力学中的入射流条件），快速适配多样化任务。

研究采用Transolver网络，处理单样本仅需0.2秒，比工业级CFD快10^7倍。预训练数据集包含5TB数据，覆盖汽车、飞机、船舶等几何体。

实验结果

GeoPT显著降低对标注数据的依赖，在相同精度下节省20%-60%仿真数据，微调收敛速度比从头训练快2倍。随着模型规模和数据量增加，性能持续提升，展现出“物理大模型”的潜力。

总结

GeoPT通过“合成动力学轨迹”弥合静态几何与动态物理任务的鸿沟，为构建通用物理仿真模型开辟了可扩展路径：大规模无标签几何+简单自监督=跨领域物理仿真能力。

论文作者包括MIT博士后吴海旭、博士生Minghao Guo，以及何恺明教授等。项目已开源，详情见参考链接。

[参考链接]
[1] https://arxiv.org/abs/2602.20399v1
[2] https://github.com/Physics-Scaling/GeoPT