Sim+Real：联合仿真—实验训练提升物理系统中的平衡预测

arXiv:2610.01974v1 公告类型：new 摘要：仿真和实验测量为时空物理系统的学习提供互补数据，但标准的仿真到实验微调在迁移后仅优化实验目标，可能导致仿真性能下降。我们将仿真—实验预测表述为一个具有域特定仿真风险和实验风险的多目标学习问题。在来自 RealPDEBench 的四个流体系统和两种模型规模上，我们比较了 Simulation only、Experiment only、Sim$\rightarrow$Exp 和 Joint training，并在两个留出域上评估每个最终模型。Sim$\rightarrow$Exp 往往会更强地专注于实验数据，但代价是仿真域遗忘。与多种仿真—实验评估权重组合相比，Joint training 始终取得最佳的平衡性能，同时相较于 Sim$\rightarrow$Exp 显著提升了对仿真性能的保持能力。对于实验测量中缺失的仅仿真场，Joint training 也能更好地加以保留。项目页面：https://mahindrautela.github.io/morph。