arXiv · cs.AI· Paul Setinek, Fabian Paischer, Nils Thuerey, Johannes Brandstetter, Felix Koehler·· 1 天前
研究提出面向神经代理的计算最优多保真训练
Compute-optimal data scaling for neural surrogates via multi-fidelity training
arXiv:2610.17221v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Paul Setinek, Fabian Paischer, Nils Thuerey, Johannes Brandstetter, Felix Koehler
研究任务与主要进展
作者提出一种面向PDE神经代理的多保真训练方法，在固定数据生成计算预算下同时优化数据数量与模拟保真度。基于论文摘要，该方法在六类PDE问题、两种误差来源和四类代理架构、超过7000次训练运行中实现Pareto最优误差扩展，相比仅使用高保真数据最高减少6.3倍数据生成计算；具体训练细节和适用边界仍取决于论文全文。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org