物理与 AI for Science
突破级
暂无讲解视频
收录解读
REPA-P 指出 physics-informed diffusion 常只约束最终输出，隐藏层仍可能学 shortcut，导致边界条件变化时 OOD 鲁棒性差。
方法在选定中间层接轻量 projection heads，把 hidden activations 解码成物理量并施加 PDE residual losses；这些 heads 在推理时移除，因此没有额外推理开销。
论文在 Darcy flow、topology optimization、electrostatic potential、turbulent channel flow 等任务上报告更快收敛、更低 physics residual 和更强 OOD 鲁棒性。
它值得正式收录，因为它把 representation alignment 变成 scientific diffusion 的可复用训练原语，补足了只在输出层加物理损失的不足。