🔬 physics

Mosaic: A Benchmark Suite for Differentiable Physics Solvers

本文介绍了 Mosaic，一个开源基准测试框架，它通过将可微偏微分方程（PDE）求解器封装为容器化组件，实现了对这些求解器评估的标准规范化，揭示了 14 种求解器在计算成本、数值条件和兼容性方面的显著差异，同时证明了所有产生梯度的求解器均收敛至相似的最优解。

原作者： Andrin Rehmann, Heiko Zimmermann, Dion Häfner

发布于 2026-06-29

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Andrin Rehmann, Heiko Zimmermann, Dion Häfner

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，你是一位试图发明新食谱的大厨。你的厨房里摆满了各种不同的烤箱（即物理求解器）。有些是高科技智能烤箱，有些是老式燃气灶，还有些是高级对流烤箱。它们都能烤面包，但烘焙方式却大不相同。

现在，想象你想用一个机械臂来自动调整食谱。为此，机械臂需要确切地知道改变温度或面粉用量会如何影响最终的味道。在物理模拟的世界里，这种“味道反馈”被称为梯度。

长期以来，科学家们一直拥有这些烤箱，但没人知道哪种烤箱能给机械臂提供最准确的反馈，获取该反馈需要消耗多少电量，或者如果你问了错误的问题，烤箱是否会爆炸。

“Mosaic”登场了。

把 Mosaic 想象成一个通用测试厨房。研究人员构建了一个标准化的设置，他们可以在其中接入 1 种 14 种不同的“烤箱”（即求解物理方程的计算机程序），并进行并排测试。他们为每个烤箱都套上了一个特殊的盒子（称为 Tesseract），这样无论烤箱是用什么语言（Python、Julia、C++）构建的，或者其内部运作方式如何，机械臂都能以完全相同的方式向它提出完全相同的问题。

以下是他们在开始烘焙时的发现：

1. “反馈”差异巨大

就像有些烤箱需要 5 分钟预热，而另一些需要 30 分钟一样，获取这种“味道反馈”（梯度）的成本差异极大。

速度型选手： 一些现代烤箱（如基于 JAX 或 PyTorch 构建的烤箱）几乎可以瞬间给出反馈，几乎不需要额外的努力。这就像拥有一台智能烤箱，在你打开门的一瞬间就能告诉你温度。
重型设备： 其他烤箱（如 OpenFOAM 或 deal.II）功能强大，但要获取反馈需要大量的体力劳动。这就像为了测量每一度的变化，都必须手动用温度计去测量热量。研究人员发现，对于其中一些烤箱，编写获取反馈的代码需要额外增加数百甚至数千行代码。

2. “稳定性”陷阱

有些烤箱非常擅长烤简单的面包（平滑、简单的物理问题），但如果你尝试烤一个复杂的舒芙蕾（混沌的流体流动问题），它们可能会塌陷。

论文发现，对于某些任务，例如优化圆柱体的形状以减少在水中的阻力，一半的烤箱根本无法使用。它们在结构上是不兼容的。这就像尝试用烤面包机来烤蛋糕；这台机器并不是为了这种形状的问题而设计的。
即便是在那些能够工作的烤箱中，有些也是“不稳定”的。如果你要求它们模拟很长一段时间，数值就会变得非常混乱（一个被称为病态条件的数学概念），导致机械臂开始原地打转，无法找到最佳解决方案。

3. “完美”的烤箱并不存在

最大的惊喜在于？准确性并不是主要问题。
大多数烤箱一旦成功给出了反馈，其准确性都出奇得高。如果它们没有崩溃，通常都能找到相同的“完美食谱”（最优解）。

真正的瓶颈不在于数学出错，而在于内存耗尽（烤箱过热）、配置过于困难，或者是成本过高。
这就像有 10 位厨师都能做出完美的牛排。问题不在于他们不会做菜，而是其中三位需要一个价值 1 万美元的厨房，一位需要 24 小时的准备时间，而另一位除非你给他特定的刀具，否则拒绝开火。

4. “负对照”（简单测试）

为了确保他们测试的是烤箱而不是食材，他们从一个非常简单的任务开始：加热一块平整的金属板。这是“负对照”。

在这个简单的任务上，每一个能够运行它的烤箱都产生了相同的完美结果。这证明了他们在复杂任务中看到的差异并非因为数学逻辑损坏，而是因为复杂的任务暴露了每个烤箱设计的特定弱点。

核心结论

论文介绍 Mosaic 并不是为了提供一种解决物理问题的新方法，而是作为研究人员的标准化菜单。

在 Mosaic 出现之前，选择求解器就像是根据销售员的话来猜测该买哪种烤箱。
有了 Mosaic，你可以查看菜单并看到：“如果我需要做这个特定的任务，烤箱 A 比烤箱 B 快 200 倍，但烤箱 B 更适合处理我的特定形状。”

研究人员总结道，对于许多问题而言，最好的求解器并不是数学最精确的那一个，而是那个能在满足你的特定约束（如内存限制或设置时间）且不会崩溃的情况下最契合的任务。他们将所有的“厨房工具”和“菜单”都开源了，以便任何人都能向这个测试厨房中添加自己的烤箱，并观察它们的表现如何。

技术摘要：Mosaic：一个针对可微物理求解器的基准测试套件

问题陈述

尽管可微偏微分方程（PDE）求解器正日益被宣传为赋能“求解器在环”（solver-in-the-loop）机器学习、梯度优化控制和逆问题解决的关键技术，但获取正确且可用梯度的实际成本仍然是不透明的。可微求解器的领域呈现出碎片化特征，跨越了不同的编程语言、自动微分（AD）框架和数值方法。从业者面临着显著的不确定性，包括：

集成工作量： 从开箱即用的应用程序到低级内核工具包，集成求解器所需的专业知识水平差异巨大。
梯度质量： 缺乏关于梯度准确度、数值调节能力（conditioning）和稳定性的系统性测量。
结构兼容性： 求解器特定的约束（例如仅限周期性边界条件、不兼容的惩罚方案）往往在投入大量精力使用特定技术栈后才会暴露出来。

目前的基准测试要么侧重于神经代理模型的正向准确性（如 APEBench、PDEBench），要么是在单一框架内比较 AD 后端（如 PhiFlow），未能系统地测量不同独立求解器实现之间的梯度特性。

方法论

作者引入了 Mosaic，这是一个可扩展的基准测试框架，旨在标准化对求解器梯度的访问并实现跨求解器的比较。该方法论基于三个核心构件：

容器化求解器接口 (Tesseract)：
- 求解器被封装为 Docker 容器（Tessera），无论其语言或 AD 策略如何，均通过统一的 API 进行交互。
- 该接口定义了两个入口点：apply(inputs) → outputs（正向传播）和 vector_jacobian_product(inputs, cotangents) → vjp（反向模式梯度）。
- 这种抽象使得可以通过配置字符串进行求解器切换，而无需重写评估代码。仅支持正向传播的求解器（如 OpenFOAM、deal.II）会被自动包装，以提供有限差分梯度作为参考基准。
基准测试任务：
- 评估了四个物理领域，按难度排序如下：
  - 热传递 (H)： 电导率反演（负控制实验；平滑的物理过程有助于隔离 AD 中的 Bug）。
  - 结构力学 (S)： 通过 SIMP 拓扑优化进行柔度最小化。
  - 2D 流体 (F2)： 通过绕流圆柱的入流优化实现阻力最小化（非周期性、含障碍物）。
  - 3D 流体 (F3)： 在周期性 Taylor-Green 涡旋框内进行初始条件恢复。
- 任务设计为独立的优化问题，不包含学习组件，从而确保任何失败都可以归因于求解器的梯度机制而非模型近似误差。
评估协议：
- 梯度准确度： 通过与在最优扰动规模下的中心有限差分进行余弦相似度和相对 $\ell_2$ 误差对比来衡量。
- 调节能力 (Conditioning)： 通过雅可比矩阵的奇异值谱进行分析。
- 性能： 测量正向和 VJP 过程的墙钟时间、内存消耗以及 VJP/正向成本比。
- 优化收敛性： 使用 Adam 和 L-BFGS 优化器进行固定迭代预算测试，以测量是否收敛至全局最优解。

该套件包含 14 个求解器后端，涵盖了多种 AD 策略（源转换、基于胶带的伴随、手工推导的伴随）和数值方法（有限差分、有限体积、有限元、格子玻尔兹曼、谱方法）。

关键结果

对 14 个求解器在四个领域中的评估揭示了几个关键发现：

梯度准确度 vs. 调节能力： 所有产生梯度的可微求解器在与有限差分对比时均表现出高准确度（余弦相似度 > 0.999）。然而，雅可比矩阵的调节能力存在数量级的差异。基于投影的求解器表现出陡峭的谱衰减（调节能力差），相比之下，格子玻尔兹曼或谱方法则表现更好，这会影响二阶优化器的稳定性。
计算成本： 计算成本存在数量级的差异。基于源转换的 AD（如基于 JAX 的求解器）保持近乎恒定的 VJP/正向比例，而基于胶带的伴随（如 FEniCS、Firedrake）随问题规模的增长呈现更陡峭的缩放。
结构不兼容性： 在最复杂的任务（带障碍物的 2D 阻力最小化）中，由于边界条件或惩罚方案的不兼容，仅有 7 个流体后端中的 3 个能够表示该问题。这种“损耗”发生在梯度质量成为问题之前。
优化结果： 尽管在调节能力和成本方面存在巨大差异，但在调节良好的问题上，所有成功运行的求解器都收敛到了相似的最优解。在 3D IC 恢复任务中，带有螺线型投影（solenoidal projection）的 L-BFGS 显著优于 Adam 和未投影的 L-BFGS，将初始条件误差从 >40% 降低到 <0.5%。
实现工作量： 集成复杂度差异极大。构建在现代 AD 框架（JAX、PyTorch）上的求解器通常无需额外编写梯度代码，而低级内核工具包（如 NVIDIA Warp）则需要数百行定制的伴随实现代码。

重要性与主张

本文将 Mosaic 定位为一种基础设施，而非仅仅是针对单一求解器的新的经验结果来源，其作用类似于强化学习领域的 OpenAI Gym。

标准化： Mosaic 提供了第一个标准化的接口，用于访问、比较和信任独立求解器实现中的梯度。
从业者指导： 该基准测试揭示了实际存在的障碍（内存限制、数值稳定性、设置兼容性），这些因素比单纯的梯度准确度更为关键。它表明，对于调节良好的问题，速度最快且集成工作量最低的求解器是最佳选择。
社区可扩展性： 该框架是开源的，旨在持续演进。它允许研究人员在投入特定求解器技术栈之前，先对其失效模式进行压力测试，并支持在统一接口之上构建“求解器在环”的流水线。
对 AD 的验证： 结果验证了虽然手工推导的伴随可以更快，但通过现代框架进行的反向模式 AD 在提供足够精度以进行优化的同时，能以极低的实现成本提供最佳的“投入-产出”平衡。

作者总结道，虽然梯度质量通常是足够的，但求解器后端的选择是决定梯度驱动的工作流成功还是失败的关键因素，这主要是由结构兼容性和数值调节能力而非梯度本身的正确性决定的。