GeoPT: Physiksimulationen skalieren mit synthetischer Dynamik

Neurale Simulationsmodelle versprechen effiziente Ersatzlösungen für physikalische Simulationen, doch ihre Skalierbarkeit wird durch den enormen Aufwand für hochqualitative Trainingsdaten begrenzt.

Ein vielversprechender Ansatz ist das Vortrainieren auf einer großen Menge von Standardgeometrien. Dieses Verfahren stößt jedoch an eine fundamentale Grenze: die reine Überwachung von statischen Geometrien ignoriert die Dynamik und kann zu negativer Übertragung bei physikalischen Aufgaben führen.

GeoPT stellt ein einheitliches, vortrainiertes Modell für allgemeine Physiksimulationen vor, das auf dem Konzept des „lifted geometric pre‑training“ basiert. Der Kernansatz besteht darin, Geometrien mit synthetischer Dynamik zu ergänzen, wodurch eine dynamikbewusste Selbstüberwachung ohne physikalische Labels möglich wird.

Nach einem Vortraining mit über einer Million Proben verbessert GeoPT konsequent industrielle Benchmarks in der Fluidmechanik für Fahrzeuge, Flugzeuge und Schiffe sowie in der Festkörpermechanik bei Crashsimulationen. Die Menge an gelabelten Daten kann um 20 % bis 60 % reduziert und die Konvergenzzeit um das Doppelte beschleunigt werden.

Diese Ergebnisse demonstrieren, dass die Kombination aus synthetischer Dynamik und geometrischem Vortraining die Kluft zwischen Geometrie und Physik überbrückt und einen skalierbaren Weg für neuronale Simulationen – und darüber hinaus – eröffnet. Der Code ist unter https://github.com/Physics-Scaling/GeoPT verfügbar.