[論文レビュー] GeoPT: Scaling Physics Simulation via Lifted Geometric Pre-Training

Haixu Wu, Wenhao Gao+5 more|arXiv (Cornell University)|Feb 23, 2026

Model Reduction and Neural Networks被引用数 0

ひとこと要約

GeoPTは幾何学をリフトさせた動力学で物理バックボーンを事前学習し、データ効率の良い微調整を実現する。産業規模の3Dシミュレーションでデータ要件を削減し収束を高速化。

ABSTRACT

Neural simulators promise efficient surrogates for physics simulation, but scaling them is bottlenecked by the prohibitive cost of generating high-fidelity training data. Pre-training on abundant off-the-shelf geometries offers a natural alternative, yet faces a fundamental gap: supervision on static geometry alone ignores dynamics and can lead to negative transfer on physics tasks. We present GeoPT, a unified pre-trained model for general physics simulation based on lifted geometric pre-training. The core idea is to augment geometry with synthetic dynamics, enabling dynamics-aware self-supervision without physics labels. Pre-trained on over one million samples, GeoPT consistently improves industrial-fidelity benchmarks spanning fluid mechanics for cars, aircraft, and ships, and solid mechanics in crash simulation, reducing labeled data requirements by 20-60% and accelerating convergence by 2$ imes$. These results show that lifting with synthetic dynamics bridges the geometry-physics gap, unlocking a scalable path for neural simulation and potentially beyond. Code is available at https://github.com/Physics-Scaling/GeoPT.

研究の動機と目的

• costly solver-generated data に依存を減らしてスケーラブルなニューラルシミュレーションを推進する。
• 幾何学とダイナミクスの結合をエンコードするダイナミクスリフト幾何学的事前学習を導入する。
• 合成ダイナミクスを用いた大規模な幾何データセットで事前学習を行い、ダイナミクスを意識した事前知識を学習する。
• 事前学習済みモデルを、タスク固有のダイナミクス入力を用いた多様な物理タスクで微調整する。

提案手法

• 幾何学を合成速度場で拡張し、ダイナミクスリフト入力を作成する。
• 物理バックボーン（Transolver）を、合成ダイナミクス下で幾何学特徴の軌跡を予測するよう訓練する（リフトされた事前学習 objective）。
• 予測軌跡と幾何学特徴軌跡の時間的差を最小化する事前学習ロス（L_pre^lifted）を用いる。
• 最適化を、ランダムダイナミクスをタスク固有の速度場V_Sへ置換し、物理ロス（L_fine）を最小化する形で微調整する。
• 軌道を三つのステップに離散化し、公開幾何リポジトリから1,000,000件超の幾何-ダイナミクスサンプルで事前学習を行う。

Figure 1 : Neural aerodynamics simulation on DrivAerML (Ashton et al. , 2024 ) based on Transolver (Wu et al. , 2024 ) backbone. Geometry-only pre-training and conditioning refer to pre-training by predicting vector distance (Faugeras and Gomes, 2000 ) of given positions and utilizing geometry repre

実験結果

リサーチクエスチョン

• RQ1 ダイナミクスリフト幾何事前学習は、ラベルなし幾何から物理認識の事前知識を学べるか？
• RQ2 GeoPTは下流の物理データ要件を削減し、様々な産業シミュレーションで収束を加速するか？
• RQ3 GeoPTはネイティブな幾何事前学習や幾何条件付きベースラインと比べて物理タスクでどうか？
• RQ4 リフトされた事前学習アーキテクチャは、異なる物理バックボーンやタスクと互換性があるか？
• RQ5 流体・固体を超える領域、例えばラジオシティなどにも一般化できるか？

主な発見

• GeoPTは複数の産業ベンチマークで必要な物理データを20-60%削減する。
• GeoPTは微調整時の収束を最大2倍速くする。
• 100万件を超える solver-free 幾何サンプルでの事前学習は、気流力学、流体力学、衝突シミュレーションで頑健な改善をもたらす。
• 幾何リフト監視は、幾何のみの事前学習や幾何条件付きベースラインを凌ぐ、物理に整合した表現を生み出す。
• GeoPTはモデルサイズと事前学習データの多様性に対してスケーラビリティを示し、ラジオシティなど他の物理ドメインへの一般化も可能である。

Figure 2 : GeoPT offers a way to scale up neural simulators with off-the-shelf geometries and enables fast fine-tuning for various physics.