新方法LatentDDM用局部预训练加模块组合降低神经算子迁移成本
arXiv论文提出LatentDDM：先在子域上预训练神经算子，新场景下冻结算子、仅训练轻量组合模块。在达西流与俯仰翼型流测试中，其误差较整域模型降低 36% 至 56%。
AI解读：神经算子作为物理模拟的快速替代品，一旦几何、尺寸或工况偏离训练数据，精度就会下降。传统做法是用新场景的高保真模拟数据做监督微调，但哪怕只要少量目标数据，也需要昂贵的模拟。LatentDDM的思路是把预训练和迁移分开设计：先在小的子域上预训练一个神经算子，让它学会处理局部物理；遇到新场景时冻结这个算子，只训练一个轻量模块，把局部预测组合成整个区域的解。论文给出的数据是，在更大的达西流域上，用 16 次目标模拟做适配后，LatentDDM的误差比同等容量、直接处理整域的模型低 36% 到 56%；在快速俯仰翼型流中，它也能改善 20 步场滚动预测。这意味着，如果你做工程仿真、需要把模型泛化到新的几何尺寸或工况，LatentDDM可能减少你对高保真模拟数据的依赖。但要记得，这只是单篇arXiv论文在两类问题上的初步结果，作者没有给出跨更多物理问题的通用性证据，实际使用前仍需在具体问题上复现验证。普通读者不需要立即行动，相关研究者可以细读论文的消融实验部分来确认其适用范围。
arXiv论文提出LatentDDM，把神经算子的预训练与迁移协同设计，以降低其在新场景下的部署模拟成本。方法先在小规模子域上预训练神经算子，面对新设置时冻结此算子，只训练一个轻量模块来组合子域的局部预测。论文作者为Zituo Chen、Baiming Zhang与Sili Deng，论文编号arXiv:2609.03069。
问题与方法
论文指出，神经算子作为物理模拟的快速、可微替代模型，当计算域几何、尺寸或操作条件与训练设置不一致时，精度往往会下降。监督式适配可恢复精度，但即便只需一小批目标数据，也要依赖成本高昂的高保真模拟。作者因此提问：预训练与迁移如何协同设计，以减少这种部署开销。
LatentDDM的解决方式是先在小子域上预训练神经算子以预测场；对每个新设置，冻结该算子，仅训练一个轻量模块，把这些局部预测组合成完整预测。该设计意图将局部预训练与组合级迁移作为物理基础模型的构建原则。
评估结果
作者在两个互补问题上评估LatentDDM。第一个是稳态达西流，长程压力耦合需在逐渐增大的多孔介质域上扩展；第二个是俯仰翼型周围的非稳态不可压缩流，滚动误差会随着目标俯仰频率超出训练范围而累积。论文摘要给出的对照结果包括：在更大的达西流域上，经 16 次目标模拟适配后，与一次性处理完整域、参数容量匹配的模型相比，LatentDDM的误差降低 36% 至 56%；在快速俯仰翼型流中，它在 20 步场滚动预测上获得改进，包括零样本和少量样本校准两种情形。