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，你正在试图教一个聪明但昂贵的机器人如何预测流体（如空气或水）的运动。为此，机器人需要研究“模拟”——即流体运动的计算机生成影像。
问题在于，制作这些模拟影像极其缓慢且成本高昂。这就像试图通过每天只被允许租用赛车一小时来学习驾驶赛车。你无法负担足够的练习时间以达到熟练水平。
这就是本文的切入点。作者提出了一种更聪明的方法，来选择哪些模拟影像展示给机器人，以便它用更少的样本学得更快。
问题：“鸡生蛋，蛋生鸡”的困境
通常，要训练一个机器人（称为“神经算子”）来替代昂贵的模拟，你需要一个庞大的模拟数据库。但获取这些数据如此昂贵，以至于你一开始就负担不起建立一个足够大的数据库。这是一个死循环：你需要数据来构建模型，但你需要模型来节省获取数据的成本。
解决方案：“主动学习”
将主动学习想象成一位聪明的导师。导师不是向学生展示随机的练习题，而是观察学生哪里感到困难，并挑选最有帮助的问题让学生接下来解决。这样，学生用更少的练习次数就能学到更多。
创新点：“基于物理”的辅导
以往大多数用于此任务的“智能导师”仅仅查看数据。它们可能会说：“让我们选一个与我们已经见过的非常不同的问题”，或者“让我们选一组机器人意见分歧最大的问题”。
本文的作者说：“为什么不直接询问物理定律本身呢？”
他们引入了一种名为基于物理的采集的新方法。其工作原理如下，使用一个简单的类比：
- 物理检查：想象机器人预测流体将如何运动。“物理定律”（具体而言，是支配流体的数学方程）充当一位严格的裁判。
- “残差”评分：如果机器人的预测违反了物理定律，裁判就会吹哨。本文称此为“残差误差”。高残差意味着机器人的预测是“非物理的”或错误的。低残差意味着它遵循了规则。
- 策略：新方法不是挑选随机问题，而是查看机器人可能从中学习的所有潜在模拟。它挑选那些机器人目前犯下最大“物理错误”（即残差最高）的模拟。
类比：
想象你在教一个孩子玩杂耍。
- 随机学习：你随机向孩子扔球。有时他们接住了，有时没有。你不知道为什么他们会失败。
- 标准主动学习：你观察孩子并说：“你似乎对红球感到困难，所以让我们练习红球。”
- 基于物理的学习（本文）：你观察孩子并说：“你掉球是因为你以 45 度角投掷，这违反了针对这种特定投掷的重力定律。让我们只练习那些角度错误的投掷，这样你就能立即学会正确的物理原理。”
他们的测试
研究人员在两个经典的物理问题上测试了这一想法：
- 一维 Burgers 方程：描述波和激波如何运动的简化模型（就像高速公路上的交通拥堵）。
- 二维可压缩 Navier-Stokes 方程：描述气体（如空气）如何流动和压缩的更复杂模型。
结果
他们将他们的“基于物理的导师”与以下方法进行了比较：
- 随机学习：随机挑选模拟。
- 最先进学习：现有的最佳“仅数据”智能导师。
发现非常明确：
- 基于物理的方法远优于随机学习。机器人用显著更少的模拟影像就学会了同等水平的技能。
- 它的表现与现有的最佳智能导师一样好，但具有一个特殊优势：它不仅仅查看数据模式；它实际上迫使机器人理解底层的物理定律。
为什么这很重要
本文得出结论，通过使用“物理残差”（衡量预测在多大程度上是非物理的）来指导训练，我们可以节省巨大的计算能力。我们将昂贵的计算机时间仅花在模型对物理理解最薄弱的模拟上，而不是浪费在模型已经理解的模拟上。
简而言之：不要只是多练习；要练习那些根据自然定律你正在做错的事情。
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。