TL;DR

在 AI 仿真领域，标注数据（即高精度数值解析解）的获取成本几乎是“天文数字”。清华、MIT 及 Kaiming He 等学者联合推出的 GeoPT 另辟蹊径：通过在无标签的静态 3D 几何上“人工合成”动力学轨迹，让模型在没看过真实物理标签的情况下，预先学会了流体如何绕过障碍物、应力如何传递。该方法在工业级任务中将训练数据需求降低了高达 60%，并支持模型规模的持续扩展。

1. 痛点：为什么“纯几何”预训练在物理任务中会失效？

传统的自监督学习（如 MAE、SDF 重建）通过遮掩恢复或几何特征预测来学习表示。然而，物理仿真（Physics Simulation）的空间是几何空间的“高维上升”。

作者通过实验发现（见下图），如果只做几何预训练，模型学到的特征是各向同性的对称分布；而真实的物理场（如流场）是具有方向性和耦合性的。强行将几何预训练模型用于物理预测，甚至会导致比收敛随机初始化更差的效果——这就是所谓的“几何-物理差（Geometry-Physics Gap）”。

2. 核心直觉：给几何“注入”灵魂——动态上升

GeoPT 的核心在于 Lifted Geometric Pre-Training。

物理直觉的数学表达

物理量 $u(x)$ 不仅取决于几何 $G$，更取决于动力学条件 $S$（如流速、攻角）。作者提出将输入空间从 $G$ 扩展到 $(G,V)$，其中 $V$ 是随机采样的合成速度场。

其背后的物理含义是：输运方程（Transport Equation）。通过跟踪粒子在几何约束下的运动轨迹，模型被迫学习几何边界如何改变物质流向。

GeoPT 系统架构

1. 预训练阶段：在 ShapeNet 等百万级无标签几何上，随机播撒粒子速度，预测粒子在未来几个步长的几何特征演化轨迹。
2. 微调阶段：将任务特定的物理条件（如飞机的 Mach 数、碰撞的角度）映射为对应的速度场“提示（Prompt）”，激活预训练的物理先验。

3. 实验验证：工业级的战绩

GeoPT 在五个极具挑战性的工业 Benchmark 上进行了验证，包括 DrivAerML 汽车气动、NASA-CRM 飞机气动以及高难度的 Car-Crash 碰撞仿真。

核心战果：

• 数据效率：在船舶水动力（DTCHull）任务中，仅需 40% 的标注数据即可达到全量训练的精度。
• 扩展性（Scaling）：随着参数量从 3M 提升到 15M，GeoPT 的表现持续优化，而传统的 Transolver 在小样本下会出现明显的过拟合。

4. 深度洞察：动力学 Prompt 的魔力

GeoPT 最引人入胜的一点在于它的通用物理接口。通过改变速度场输入 $V_S$，模型展现出了惊人的可解释性。

• 在面对“侧向风”时，模型内部的注意力权重会自动产生偏角。
• 在“高速流”下，模型的注意力变得更加集中，符合物理上的剧烈波动特性。

这种能力甚至让 GeoPT 能够跨领域迁移到光辐射（Radiosity）仿真中，尽管预训练数据中全是飞机汽车。

总结与展望

GeoPT 成功将“离线几何数据”转化为了“在线物理直觉”。它告诉我们，物理仿真 foundation model 的关键不在于堆砌更多的 PDE 求解数据，而在于如何通过巧妙的方法（如动力学上升）利用好已有的海量几何资产。

局限性：目前主要针对稳态问题。对于剧烈的非稳态湍流或多相流精细结构，可能需要更复杂的动力学参数化方案。

本文由资深学术技术主编重构。代码已开源：https://github.com/Physics-Scaling/GeoPT