偏微分方程有了基礎(chǔ)模型：樣本需求數(shù)量級減少，14項任務(wù)表現(xiàn)最佳
偏微分方程（PDEs）被稱為物理學的語言，因為它們可以在廣泛的時間 - 空間尺度上對各種各樣的物理現(xiàn)象進行數(shù)學建模。常用的有限差分、有限元等數(shù)值方法通常用于近似或模擬偏微分方程。
然而，這些方法計算成本高昂，特別是對于多查詢問題更是如此，因而人們設(shè)計了各種數(shù)據(jù)驅(qū)動的機器學習（ML）方法來模擬偏微分方程。其中，算子學習（ operator learning）算法近年來受到越來越多的關(guān)注。
然而，現(xiàn)有的算子學習方法樣本效率并不高，因為它們需要大量的訓練樣例才能以期望的準確率學習目標解算子（如圖 1 所示）。這阻礙了算子學習的廣泛使用，因為通過數(shù)值模擬或底層物理系統(tǒng)的測量來生成特定任務(wù)的訓練數(shù)據(jù)非常昂貴。
研究者不禁提出，如何才能顯著減少 PDE 學習所需的訓練樣本數(shù)量？
來自蘇黎世聯(lián)邦理工學院等機構(gòu)的研究者提出了 Poseidon，這是一種用于學習 PDE 解算子的基礎(chǔ)模型。該模型基于多尺度 operator transformer，可實現(xiàn)連續(xù)時間評估。
研究者將 Poseidon 在大規(guī)模數(shù)據(jù)集上進行了預訓練，然后對其進行評估。具體而言，他們在 15 項具有挑戰(zhàn)性的下游任務(wù)上對 Poseidon 進行了評估，這些任務(wù)涵蓋線性和非線性、時間相關(guān)以及橢圓、拋物線、雙曲線和混合型 PDE。
結(jié)果表明，Poseidon 在樣本效率和準確率方面都遠遠超過基線，展現(xiàn)出優(yōu)異的性能。
Poseidon 還可以很好地泛化到預訓練期間未見過的物理學問題。此外，Poseidon 可以根據(jù)模型和數(shù)據(jù)大小進行擴展，無論是預訓練還是下游任務(wù)?？偨Y(jié)來看，本文展示了 Poseidon 的驚人能力，它能夠在預訓練期間從非常小的一組 PDE 中學習有效表示，從而很好地擴展到下游未見過和不相關(guān)的 PDE，證明了其作為有效通用 PDE 基礎(chǔ)模型的潛力。
這些結(jié)果首次肯定了 PDE 基礎(chǔ)模型的可行性這一基本問題，并為進一步開發(fā)和部署 Poseidon 作為高效的通用 PDE 基礎(chǔ)模型鋪平了道路。
最后，Poseidon 模型以及底層預訓練和下游數(shù)據(jù)集都是開源的。
- 論文地址：https://arxiv.org/pdf/2405.19101
- 項目地址：https://github.com/camlab-ethz/poseidon
- 論文標題：Poseidon: Efficient Foundation Models for PDEs
方法介紹
問題描述：該研究將偏微分方程表示為：
然后假設(shè)
，可以得到與時間無關(guān)的 PDE 的解：
模型架構(gòu)。Poseidon（圖 1 和圖 2）包括：i）可擴展的 Operator Transformer 或 scOT，這是一種具有（移位）窗口或 Swin 注意力機制的多尺度視覺 transformer，適用于算子學習；ii）一種新穎的 all2all 訓練策略；iii）以及一個開源大型預訓練數(shù)據(jù)集。
其中 scOT 是一種具有前置時間條件的分層多尺度視覺 transformer，用來處理前置時間 t 和函數(shù)空間值初始數(shù)據(jù)輸入 a，以近似 PDE (2.1) 的解算子 S (t, a)。
接著如圖 2 (a) 所示，研究者通過 SwinV2 transformer 塊對 patch 嵌入的輸出進行處理，每個 transformer 塊的結(jié)構(gòu)表示為
，得到：
通過在 (2.3) 中引入前置時間條件層范數(shù)，該研究提出了一種時間調(diào)節(jié)策略。
最后，如圖 2 (a) 所示，SwinV2 transformer 塊在 U-Net 類型的編碼器 - 解碼器架構(gòu)中以層級多尺度方式排列，通過使用 patch 合并（下采樣）和 patch 擴展（上采樣）操作完成。
實驗結(jié)果
預訓練數(shù)據(jù)：研究者提供了包含 6 個算子的數(shù)據(jù)集，詳細信息如下所示。
下游任務(wù)：研究者在 15 個具有挑戰(zhàn)性的下游任務(wù)上進行了實驗，如表 4 所示。
模型：本文考慮了三種不同的 Poseidon 模型：i) Poseidon-T ≈ 21M 個參數(shù)，ii) Poseidon-B ≈ 158M 個參數(shù)，iii) Poseidon-L ≈ 629M 個參數(shù)。
實驗結(jié)果顯示，Poseidon 在 15 個下游任務(wù)中都表現(xiàn)良好，明顯優(yōu)于 FNO（ Fourier Neural Operator ）（參考論文中的圖 7 - 圖 21，這里只展示圖 7 ）。
表 1 進一步支持了這一點。
從表 9 可得，平均而言，Poseidon-L 僅需要 20 個樣本即可達到 FNO 的 1024 個樣本的誤差，并且在 13 個（15 個）任務(wù)中，Poseidon-L 所需的樣本比 FNO 少一個數(shù)量級。同樣，從表 1 和表 9 中可以看到，對于相同數(shù)量的樣本，Poseidon-L 的誤差明顯低于 FNO，增益范圍從 10% 到 25 倍不等 ，此外，Poseidon 可以很好地泛化到未見過的物理任務(wù)。
從表 1 和表 9 可以觀察到，在 15 項下游任務(wù)中，Poseidon 在 14 項上的表現(xiàn)明顯優(yōu)于 CNO-FM。平均而言，CNO-FM 需要大約 100 個特定于任務(wù)的示例才能達到 FNO 的 1024 個樣本的誤差水平，而 Poseidon 只需要大約 20 個。由于 CNO-FM 和 Poseidon 已在完全相同的數(shù)據(jù)集上進行了預訓練，因此這種性能差異很大程度上可以歸因于架構(gòu)差異，因為 CNO-FM 基于多尺度 CNN，而 Poseidon 的主干則是多尺度視覺 transformer。
從圖 22 可以看出，隨著 Poseidon 模型大小的增加，預訓練數(shù)據(jù)集上的訓練和評估（驗證）錯誤都明顯減少。
了解更多結(jié)果，請參考原論文。
