ICML 2026收录的一项研究表明，麻省理工学院计算机科学与人工智能实验室（MIT CSAIL）与清华大学的研究人员提出了一种名为GeoPT的预训练方法，在流体力学和固体力学模拟任务中，可将对标注数据的需求降低20%至60%，收敛速度最高提升一倍。
该论文于2月首次公开，MIT在8月10日对这项研究做了专题报道。
神经物理模拟器面临的主要瓶颈在于数据。高精度数值求解器虽然能生成工程应用所需的标注数据，但跨几何形态和工况生成足够的标注样本成本极高。
GeoPT的思路是在预训练阶段绕过求解器——仅凭静态3D几何，通过合成动力学信号进行自监督学习，然后将学到的表征迁移到具体的物理模拟任务中。
技术层面，GeoPT在预训练时不依赖已有的模拟结果，而是从无标注的形状数据中生成超过百万级的“几何行走”样本，通过几何约束下的输运轨迹构建自监督信号。这样学到的表征被认为编码了形状与动力学之间的交互关系，后续再用少量求解器生成的标注数据进行微调即可。
在论文报告的实验中，GeoPT在汽车与飞行器空气动力学、船舶水动力学和碰撞仿真等多个基准上均取得了优于对比模型的表现。
作者已公开论文代码，研究结果可在GitHub上复现，但论文结论尚未在工业级的各类几何、求解器和工况条件下得到独立验证。
对从事代理模型开发的机器学习团队而言，这项工作的实际价值在于：一套好的预训练表征可以显著减少下游设计任务所需的昂贵仿真次数。不过，实际部署中仍需关注模型对未见几何形态和边界条件的泛化能力、与生产级求解器的精度对齐，以及论文基准之外的工程约束下收益能否保持。
（素材来自：麻省理工学院/清华大学 智算芯能前沿网综合）
本文由智算芯能前沿网编辑整理，转载请注明出处。