近日，何恺明团队发布全新研究成果GeoPT，创新性提出动力学提升预训练范式，通过合成动力学技术将静态几何资产转化为动态学习样本，让大模型在无标签数据下自主掌握真实物理规律。在同等精度要求下，该模型最高可节省60%的物理仿真数据，为物理仿真规模化应用破局。
在物理仿真的工业化落地进程中，数据瓶颈始终是绕不开的障碍——大量静态3D资产因缺少动力学信息无法直接用于模型训练，而标注真实物理规律的数据集，动辄需要耗费数百万元的成本，让多数研发团队望而却步。
当前主流的物理仿真模型，核心依赖于对物理系统解场的精准学习：解场由几何边界G（比如汽车外形、建筑结构）和系统动力学条件S（比如风速、外力作用）共同决定。以空气动力学仿真为例，想要预测汽车行驶时的阻力分布，必须同时输入车身几何模型和实时风速参数，缺一不可。
登录后解锁全文，体验收藏、点赞、评论等完整功能
立即登录
滇公网安备 53252802528133号