Physics Priors Offer Useful Accuracy-Carbon Trade-Offs in Spatio-Temporal Forecasting
本文表明，将物理归纳偏置融入时空预测深度学习模型可显著降低训练碳足迹，尽管推理成本存在差异，并主张在人工智能发展中，模型效率必须与准确性一同成为核心考量。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在尝试教一个机器人预测流体（如风或水）的运动。你有两种主要方法：
- “纯数据”方法：你将海量历史数据扔给机器人，说：“自己找出规律。”这就像给一个学生提供所有写过的天气报告图书馆，并让他们在不学习任何物理定律的情况下猜测明天的天气。学生可能会做得很好，但他们必须阅读所有内容，这需要大量的时间和能量。
- “物理优先”方法：你给机器人实际的规则手册（物理定律，如纳维 - 斯托克斯方程），并说：“利用这些规则来帮助你猜测。”这就像给那个学生提供图书馆，外加一本流体力学教科书。他们需要阅读的内容更少，学习更快，训练时消耗的能量也更少。
这篇题为《物理先验在时空预测中提供有用的精度 - 碳权衡》的论文，是一项比较这两种方法以评估哪种方法对地球更有益的研究。
核心问题：“大模型”陷阱
在过去十年中，机器学习界一直痴迷于一件事：精度。目标始终是让机器人变得更聪明，即使这意味着构建一个需要超级计算机才能运行的庞大“大脑”。
作者认为，这种痴迷隐藏着代价。训练这些巨型模型消耗大量电力，从而产生巨大的碳足迹（就像汽车的排放，但是针对计算机的）。他们想知道：我们能否制造出既足够智能又节能的模型？
实验：流体竞赛
研究人员利用一种称为“不可压缩剪切流”（想象层层风相互滑过）的特定流体运动类型进行了一场竞赛。他们测试了七种不同辅助程度的“机器人”（AI 模型）：
- 纯学习者：这些模型没有任何物理规则。它们必须从数据中学习一切。
- “弱”引导学习者：这些模型获得了一点提示，例如知道世界是圆形的（周期性边界），因此不会在边缘处感到困惑。
- “强”引导学习者：这些模型的构建方式是将物理定律直接嵌入其大脑结构中。
他们的发现：“训练与运行”的惊喜
结果令人惊讶，因为它们表明“最佳”模型取决于你观察的时间点。
1. 训练阶段（构建机器人）
具有强物理规则的模型在这里是明确的赢家。因为它们已经知道了规则，所以不需要“阅读”那么多数据。
- 类比：想象建造一座房子。“纯数据”建造者必须尝试成千上万种不同的砖块排列，直到找到一种可行的方案。“物理”建造者因为拥有蓝图，确切知道砖块应该放在哪里。
- 结果：与纯数据模型相比，基于物理的模型在训练过程中消耗的碳减少了2.4 到 7.4 倍。它们的构建速度更快，成本更低。
2. 推理阶段（使用机器人）
这就变得棘手了。一旦机器人被构建出来，你就必须使用它来进行预测。
- 转折：那些构建成本最低（物理模型）的模型，实际上在单次预测中运行起来比一些更简单的模型要稍微昂贵一些。
- 类比：“物理”建造者利用蓝图非常快速地建造了房子，但这所房子有一扇复杂且沉重的门，每次进入都需要花费很大力气去打开。“纯数据”建造者花了很长时间才建成房子，但门很轻，很容易打开。
3. 长期来看（全生命周期）
作者认为，我们不应只关注构建模型的成本或单次运行的成本。我们需要审视整个生命周期。
- 如果你只运行一次模型，“纯数据”模型可能更便宜。
- 但是，如果你运行模型数千次（例如一年中每天预测天气），“物理”模型通常会胜出，因为训练阶段的巨大节省超过了后期运行成本的略微增加。
主要结论
该论文得出结论，我们需要停止将资源（电力、碳）视为无限的。
- 不要只追求精度：仅仅因为一个模型的精度提高了 1%，并不意味着值得为此燃烧 100% 更多的碳。
- 利用你已知的知识：与其强迫 AI“从头开始学习一切”，不如将人类已经掌握的知识（如物理定律）输入给它。这充当了一个“捷径”，可以节省大量能源。
- “最佳平衡点”：最佳方法并不总是最复杂的那个。它是在使用数据和使用物理规则之间找到正确的平衡，以获得一个既智能又可持续的模型。
简而言之：不要重复发明轮子。如果你已经知道游戏规则，就教给你的 AI。它将学得更快，构建成本更低，并且对地球更友好。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。