多保真度训练实现PDE神经代理数据缩放

2026年10月15日，arXiv Artificial Intelligence 刊出 Paul Setinek 等作者的论文，研究多保真度训练实现 PDE 神经代理的最优数据缩放。该研究将 PDE 神经代理训练建模为数据量与保真度的联合函数，把保真度视为细粒度离散谱而非二元区分，在固定数据生成算力预算下实现帕累托最优误差缩放。论文称，采用最优保真度混合训练可匹配纯高保真训练的精度，数据生成算力最多减少 6.3 倍。结果在六类 PDE 问题、两种误差来源和四种代理架构上验证，共超过 7,000 次训练运行。目前该事件尚无后续跟进报道，上述数据与结论均来自这一篇论文。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。