物理信息学习年度进展综述 2025–2026
2025–2026 年主要进展
1. 神经算子走向工业级
核心突破：
- PhysicsNeMo（NVIDIA）将 FNO/DeepONet 工业化，支持多 GPU 训练与生产部署
- FourCastNet 走向天气预测实用化（ECMWF 集成测试）
- 神经算子预训练范式出现：在大规模异构数据集上预训练，在小规模下游任务微调
关键论文：
- PhysicsNeMo (arXiv 2023, 工业框架)
- OperatorGPT (arXiv 2024, 预训练范式)
2. 扩散模型进入物理仿真
核心突破：
- Score-based 扩散模型在湍流生成上超越 GAN（更高保真度、更稳定训练）
- 条件扩散模型用于几何感知代理模型（Text-to-CFD mesh）
- Physics-constrained Diffusion：扩散模型采样过程嵌入物理守恒约束
关键论文：
- DiffWave (arXiv 2023, 扩散+流体力学)
- PhysicsDiff (arXiv 2025, 物理约束扩散)
3. 大规模基准与标准化
核心突破：
- PDEBench 发布 v2.0，覆盖 40+ 方程，新增多物理场耦合场景
- The Well 数据集正式公开（16 个物理域，多尺度）
- 评测指标标准化：从「精度」到「效率-精度-泛化性」三维评估
4. 工业落地案例涌现
- 空客：用 PINN 做起落架热分析，节省 30% 实验成本
- 劳斯莱斯：用 FNO 做燃气轮机叶片冷却通道代理模型
- 壳牌：用 PhysicsNeMo 做油藏模拟，加速历史拟合 10×
未来趋势
| 方向 | 成熟度 | 潜力 |
|---|---|---|
| 物理 AI 预训练模型 | 🟡 早期 | ⭐⭐⭐⭐⭐ |
| 扩散+物理仿真 | 🟡 早期 | ⭐⭐⭐⭐ |
| 可微物理（端到端优化） | 🟢 成熟 | ⭐⭐⭐⭐⭐ |
| 神经算子+控制 | 🔴 探索期 | ⭐⭐⭐ |
标签: 综述物理信息PINN神经算子扩散模型年度进展
相关条目
- PhysicsNeMo: 基于神经算子的物理仿真框架 · NVIDIA 发布的物理信息神经网络框架，基于神经算子（FNO/DeepONet/AFNO）提供端到端可微分物理仿真流水线，支持多 GPU 训练与部署。
- Fourier Neural Operator（FNO）原始论文 · 提出在傅里叶空间参数化积分核的神经算子，实现分辨率无关的 PDE 求解，是算子学习与物理 AI 方向引用量最高的奠基工作之一。
- DeepONet 原始论文 · 以分支-主干（branch-trunk）结构实现算子通用逼近定理的深度学习版本，是最早系统提出「学习非线性算子」的架构，至今仍是主流基线。
- The Well：面向物理基础模型的多领域基准 · 提出覆盖 16 个物理领域的统一基准，论证「跨领域预训练」对物理 ML 的增益，是物理基础模型方向必读论文。
- Transolver：面向大规模工业几何的 Transformer 求解器 · 提出物理注意力机制，把离散网格投影到可学习的物理状态令牌上做注意力，显著提升 PDE 求解在大规模工业几何上的效率与精度。