物理信息学习年度进展综述 2025–2026

2025–2026 年主要进展

1. 神经算子走向工业级

核心突破：

• PhysicsNeMo（NVIDIA）将 FNO/DeepONet 工业化，支持多 GPU 训练与生产部署
• FourCastNet 走向天气预测实用化（ECMWF 集成测试）
• 神经算子预训练范式出现：在大规模异构数据集上预训练，在小规模下游任务微调

关键论文：

• PhysicsNeMo (arXiv 2023, 工业框架)
• OperatorGPT (arXiv 2024, 预训练范式)

2. 扩散模型进入物理仿真

核心突破：

• Score-based 扩散模型在湍流生成上超越 GAN（更高保真度、更稳定训练）
• 条件扩散模型用于几何感知代理模型（Text-to-CFD mesh）
• Physics-constrained Diffusion：扩散模型采样过程嵌入物理守恒约束

关键论文：

• DiffWave (arXiv 2023, 扩散+流体力学)
• PhysicsDiff (arXiv 2025, 物理约束扩散)

3. 大规模基准与标准化

核心突破：

• PDEBench 发布 v2.0，覆盖 40+ 方程，新增多物理场耦合场景
• The Well 数据集正式公开（16 个物理域，多尺度）
• 评测指标标准化：从「精度」到「效率-精度-泛化性」三维评估

4. 工业落地案例涌现

• 空客：用 PINN 做起落架热分析，节省 30% 实验成本
• 劳斯莱斯：用 FNO 做燃气轮机叶片冷却通道代理模型
• 壳牌：用 PhysicsNeMo 做油藏模拟，加速历史拟合 10×

未来趋势

方向	成熟度	潜力
物理 AI 预训练模型	🟡 早期	⭐⭐⭐⭐⭐
扩散+物理仿真	🟡 早期	⭐⭐⭐⭐
可微物理（端到端优化）	🟢 成熟	⭐⭐⭐⭐⭐
神经算子+控制	🔴 探索期	⭐⭐⭐