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，你正在尝试教计算机理解物理定律，比如热量如何流过金属板，或者水流如何绕过岩石。过去，用人工智能来做这件事，就像试图建造一座房子，而建筑师、水管工、电工和木匠都说着不同的语言，使用着不同的蓝图。你必须为房间的几何形状编写一套代码，为数学方程编写另一套，再为实际的学习过程编写第三套。如果你想从一种数学方法切换到另一种，往往不得不拆掉整栋房子，从头再来。
jNO（jax Neural Operators）是一款新工具，它就像一个集“通用翻译器”和“全能建造师”于一身的存在。它是一个软件库，旨在让训练这些具备物理智能的 AI 模型变得更加容易、快速和灵活，专门针对 JAX 编程语言（一种用于高速科学计算的流行工具）而设计。
以下是它的工作原理，通过一些简单的类比来说明：
1. “单脚本”魔法（追踪系统）
把 jNO 想象成控制整个施工现场的单一、神奇的脚本。
- 以前：你必须为蓝图写一个脚本，为数学写另一个脚本，再为学习规则写第三个脚本。如果你想更改数学方法，就不得不重写蓝图脚本。
- 有了 jNO：你用一种语言编写所有内容。你一次性定义房间的形状、物理方程和学习目标。软件会像电影导演拍摄场景一样“追踪”（或记录）你的指令。随后，它将这部“电影”编译成超高效、高速的程序。这意味着你可以在不同类型的数学问题之间切换，或添加新的物理规则，而无需重写代码。
2. “乐高”基础模型
目前，有许多针对物理领域的不同“基础模型”（预训练的 AI 大脑），但它们就像来自不同制造商的乐高套装，彼此无法拼合。一个品牌使用红色积木，另一个使用蓝色积木，它们无法堆叠在一起。
- jNO 的作用：它充当通用适配器。它将不同的 AI 模型（如 Poseidon、Walrus 和 Morph）进行转换，使它们都能适配到同一个 JAX 生态系统中。现在，研究人员可以取一个预训练的“大脑”，稍作调整，并将其与自定义的物理规则结合，而无需切换软件工具。
3. “智能网格”（处理形状）
在模拟物理时，计算机需要将形状（如弯曲的管道或复杂的建筑物）分解为称为“网格”的微小网格块。
- 创新之处：jNO 内置了一个“智能网格”系统。它就像一个机器人，可以瞬间在你描述的任何形状上绘制网格，无论是简单的正方形，还是带有孔洞的复杂三维物体。它会追踪网格的哪部分是“内部”、哪部分是“墙壁”、哪部分是“边界”，以便 AI 确切知道在哪里应用物理规则。
4. “微调”旋钮
有时，你希望利用预训练的 AI 来教授它一项特定的新任务。
- 控制面板：jNO 为你提供了一个非常详尽的控制面板。你可以告诉 AI：“冻结你大脑的这些部分，使它们保持不变”，或者“仅从这些特定连接中学习”，或者“使用特定的学习速度”。你可以针对模型的各个部分进行此操作，而无需重建整个模型。这就像能够只调整歌曲中鼓点的音量，而不改变吉他或人声一样。
5. “双模式”引擎（FEM 和 PINNs）
该论文强调，jNO 能够处理两种不同的物理问题求解方式：
- 逐点方式：在特定点检查物理情况（例如检查地图上特定点的温度）。
- 整体形状方式（有限元）：将物理视为整个形状上的连续流（例如计算桥梁上的总应力）。
- 优势：jNO 允许你使用相同的代码在这两种模式之间切换。这就像拥有一辆既能在土路上行驶又能在高速公路上行驶的汽车，而无需更换引擎或方向盘。
这为何重要？
jNO 的主要目标是终结科学软件的“碎片化”。研究人员不再需要为了训练一个 AI 模型而手忙脚乱地操作五种不同的工具，jNO 将所有内容整合到一个地方。
- 速度：因为它利用了 JAX 特殊的编译功能，所以在现代计算机芯片上运行得更快。
- 简洁性：你无需成为软件架构师就能在不同类型的物理问题之间切换。
- 可重用性：一旦你用 jNO 编写了一个程序，你就可以保存它、分享它，并在以后甚至在其他计算机上再次运行它，同时确信它会以相同的方式工作。
简而言之，jNO 正试图让“科学机器学习”这一复杂世界变得像撰写一个连贯的故事一样简单和统一，而不是将不同的代码片段拼凑成一块补丁百出的百衲衣。
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。