何凱明團隊新作GeoPT，全新預訓練範式讓模型自學真實物理規律

🔑 增強重點摘要

• •GeoPT基於lifted geometric pre-training，透過增強幾何與合成動力學實現dynamics-aware自監督，無需物理標籤即可預訓練超過百萬樣本。[1]
• •GeoPT在汽車、飛機、船隻流體力學及碰撞模擬等工業基準上表現優異，減少20-60%標記數據需求並加速收斂2倍。[1]
• •GeoPT在光傳輸模擬任務中僅用160個訓練樣本即達MAE 9.0×10^{-2}，優於從頭訓練，並精準捕捉高頻陰影邊界。[1]

🛠️ 技術深入

• •核心方法：lifted geometric pre-training，將幾何增強合成動力學，實現dynamics-lifted監督以學習物理對齊表示。[1]
• •預訓練數據：超過100萬樣本，涵蓋多種物理模擬任務。[1]
• •效能提升：在工業級流體及固體力學基準中，減少20-60%數據需求，加速2倍收斂；光傳輸任務MAE 9.0×10^{-2}（160樣本微調）。[1]
• •優勢對比：優於Hunyuan3D純幾何表示，dynamics lifting對預訓練及條件化均有效。[1]

🔮 前景展望AI analysis grounded in cited sources

⏳ 時間線