分阶段深度训练：面向PINN的表征课程
原文标题：Staged Depth Training: A Representation Curriculum for PINNs
重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出「表征课程」训练范式，让表征被显式学习、独立于预测器迁移并逐步精炼，具体实现为分阶段深度训练（SDT）：先用临时物理信息头训练浅层前缀，丢弃该头后冻结前缀并加深网络。在PINNacle的20个默认正问题、三种骨干网络上，SDT在59个等预算组合中的40个至少提升5%，PirateNet风格骨干几何平均误差降低32.8%。该方法不改变最终架构与推理成本，为提升物理信息神经网络性能提供了新训练策略。
- 问题
- 物理信息神经网络性能受表征质量制约，但标准训练让表征隐式涌现。
- 方法
- 提出表征课程与分阶段深度训练 SDT：先用临时物理头训练浅层前缀，丢弃头后冻结前缀再加深度。
- 结果
- PINNacle 20 个正问题、三种骨干下 59 个组合中 40 个至少提升 5%，PirateNet 风格骨干几何平均误差降 32.8%。
- 影响
- 不改最终架构与推理成本即可提升 PINN，做科学计算/仿真求解的团队可直接套用训练流程。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。