物理与 AI for Science
突破级
暂无讲解视频
收录解读
这篇论文面向连续介质动力学的统一建模问题，试图用单个基础模型覆盖流体、地学、天体物理等多个连续场景。传统科学机器学习模型往往只在单一 PDE 或单一模拟族上有效，而一旦跨分辨率、跨物理场景或做长期 rollout，稳定性和泛化就迅速恶化。作者把问题明确推进到“跨域基础模型”层面。
方法上，论文提出 Walrus，一个基于 Transformer 的连续介质动力学基础模型。它通过随机补丁抖动（patch jittering）增强长期预测稳定性，通过计算自适应分词处理不同分辨率和异构场景，并在包含 19 个场景的大规模数据上统一预训练，覆盖 2D 与 3D 情况。核心新意不只是模型更大，而是把稳定长程预测与跨域统一建模放到同一训练框架里。
这篇工作之所以重要，在于它把“scientific foundation model”真正落到连续介质动力学主线上。它不是单一模拟器的精度优化，而是在回答：能不能像语言和视觉那样，为流体类物理系统建立跨任务的统一底座。对于 AI×物理、learned simulator、科学基础模型，这都是值得长期跟的方向。
在仓库里我把它放在“突破性”。原因是它的方法和场景都很强，但目前仍属于科学机器学习中的强模型论文，还没有像 AlphaEvolve、AlphaGenome 那样直接重排更大范围的研究路线图。