Buckingham \(\pi\)-Invariant Test-Time Projection for Robust PDE Surrogate Modeling

会议: ICLR 2026
OpenReview: https://openreview.net/forum?id=2FFhwssQda
代码: 待确认
领域: AI for Science / PDE 代理模型
关键词: PDE 代理模型, Buckingham π 定理, 量纲分析, 测试时投影, OOD 泛化, 神经算子

一句话总结

利用 Buckingham π 定理把"不同单位/尺度造成的 OOD 偏移"识别为物理等价的尺度变换，提出一种免训练、模型无关的测试时投影：在 log 空间内沿保 π 等价类把测试样本平移到最近的训练等价类，使 FNO/U-Net 等代理模型在极端 OOD 下 MAE 最多降低约 91%。

研究背景与动机

• 领域现状：FNO、PINN 等 PDE 代理模型在分布内插值上很强，但一旦测试输入的物理单位和数值尺度与训练集差异巨大（如热源 \(q\) 跨 5 个数量级），预测精度就崩溃，OOD 泛化是物理机器学习的核心难题。
• 现有痛点：①降维学习量纲群（dimensionless learning）多停留在标量场景，对 2D/3D 空间场直接做逐像素 Buckingham-π 缩放会失败——分子为零会把大量输入塌缩到 0，分母近零会让 π 发散，数值不稳定；②测试时训练 / 自适应（TTT/TTA）需要在推理时反向更新模型，带来优化开销和延迟，且很少针对回归与空间场设计。
• 核心矛盾：很多被当作"分布漂移"的 OOD，本质上只是保持 π 群不变的尺度变化（窄管与大河只要雷诺数相同就动力学等价），却被代理模型当成全新分布而失效——是表示问题，不是真分布问题。
• 本文目标：在不重训模型、不改架构的前提下，把 OOD 测试输入"对齐"到训练分布附近，同时严格保持其 Buckingham π 不变量，从而恢复 OOD 精度并控制开销。
• 核心 idea：【保 π 测试时投影】 把量纲缩放看成 log 空间的平移，输入的物理内容只活在 π 值里；于是在样本自身的 π 等价类（仿射子空间）内移动，投影到最近的训练 π 等价类上，用一个微小的 log 空间最小二乘问题完成对齐。

方法详解

整体框架

方法是接在任意已训练代理模型前的纯推理预处理步骤，分三阶段：①Domain Profile Reduction——把高维空间场用算术均值压成少量代表性变量，规避逐像素 π 退化；②保 π 测试时投影——在 log 空间把测试样本沿保 π 方向投到最近训练类，求出缩放系数 \(\exp(v^*)\)；③离线 π-uniform + 质心约简——用主导参数把训练集 π 分布均匀化并做 K-means，把投影复杂度从 \(O(MN)\) 降到 \(O(KN)\)。预测后再按缩放系数做逆变换还原物理量。

flowchart LR
    A[测试场 X̃] --> B[Domain Profile Reduction<br/>场→均值代表变量 x̃]
    B --> C[log 空间分解<br/>保π分量∥ / 改π分量⊥]
    C --> D[找最近训练等价类 i*<br/>O(KN) 质心约简]
    D --> E[缩放系数 exp v*<br/>逐通道缩放 X̃*=X̃⊙exp v*]
    E --> F[代理模型<br/>CNN/U-Net/FNO]
    F --> G[逆缩放还原 → 预测解]
    H[(训练集)] -.π-uniform采样+K-means.-> D

关键设计

1. Domain Profile Reduction：用全局统计量替代逐像素 π，根治退化。 对空间场直接做 Buckingham-π 会遇到致命问题——若热源场 \(q\) 或体力场 \(f\) 在某些位置为零或近零，逐像素 π 值会塌缩或发散，作者称之为"π-information loss"。解法是引入特征提取器 \(\psi: X \mapsto x\)，把每个离散场映射成有限个特征变量，并选用场值的算术均值 \(\bar k, \bar q, \bar E, \bar f\) 作为代表标量。这一全局统计量天然对局部零值与离群点鲁棒，保证代表尺度非零，从而后续的 log-线性投影数值稳定；非空间输入则直接取用。这是把 π 方法从标量推广到 2D 空间场的关键前置。

2. log 空间保 π 投影：把对齐拆成"保 π 平移 + 改 π 物理差"两个正交分量。 由 Buckingham π 定理的 log 形式，\(\log \Pi(x)=\Phi^\top \log x\)，其中 \(\Phi\) 张成量纲矩阵的零空间。componentwise 缩放 \(x\mapsto x\odot\exp(v)\) 在 log 空间就是平移 \(z\mapsto z+v\)；当 \(v\in\ker(\Phi^\top)\) 时 π 值不变，于是每个输入 \(z\) 生成一个仿射 π 等价类 \(z+\ker(\Phi^\top)\)。优化目标即在测试等价类内找到离训练集最近的点：

\[\tilde x^* = \arg\min_{\tilde x' \in [\psi(\tilde X)]_\pi}\ \mathrm{dist}\big(\tilde x', \{\psi(X_i)\}_{i=1}^M\big)\]

记 \(v_i^t = z_i - \tilde z\)，用投影算子 \(P_\parallel = I - \Phi(\Phi^\top\Phi)^{-1}\Phi^\top\) 把它分解为保 π 的 intra-class 分量 \(P_\parallel v_i^t\)（尺度变化）与改 π 的 inter-class 分量 \((I-P_\parallel)v_i^t\)（真实物理差异）。取 \(v_i^*=P_\parallel v_i^t\) 即得测试类与第 \(i\) 个训练类之间的商距离，最优训练类为 \(i^*=\arg\min_i \|v_i^t - v_i^*\|^2\)，最终缩放后的输入 \(\tilde x^* = \tilde x\odot\exp(v^*)\)。整个过程只是一个 log 空间的带约束最小二乘，开销极小。

3. π-uniform 策略：调主导参数把训练 π 分布均匀化，扩大覆盖。 投影只有在训练集 π 覆盖足够宽时才有效，但原始训练 π 分布往往单侧偏斜。作者用 SHAP 分析找出主导参数——其尺度最直接控制 π 群（热问题中 \(q\) 贡献度高达 48.7%）；然后固定其他输入，只调主导参数使每个训练样本的 π 值匹配一个目标均匀分布。注意均匀化的是 \(\log\pi\) 而非 \(\pi\)，以最大化覆盖范围。配合保 π 缩放约束（热：\(\log\beta+2\log\delta-\log\alpha-\log\gamma=0\)），训练空间得以覆盖更宽的 π 区间。

4. 质心约简：K-means 代表点把投影从 \(O(MN)\) 降到 \(O(KN)\)。 朴素地把 \(N\) 个测试样本与全部 \(M\) 个训练样本两两比较需 \(O(MN)\)。作者在均匀化后的 log 特征上跑 K-means，只保留 \(K\in\{1,\dots,10\}\) 个质心作为投影代表点，复杂度降为 \(O(KN)\)。实验显示聚类投影的 MAE 在统计噪声内与全量基线持平，而投影时间缩短约 \(100\times\)；当 π 病态（如 \(q\approx0\) 或 \(\Delta T\approx0\)）时退化为在非退化通道上做同样的 log 对齐，保留空间异质性。

实验关键数据

主实验表格

2D 稳态热传导（Thermal）与线弹性（Stress）OOD 测试（训练/测试 π 范围不相交，如 \(\log_{10}q\) 训练 \([0,7.5]\)、测试 \([7.5,12]\)）：

Method	Thermal MAE	Thermal RMSE	Time	Stress MAE	Stress RMSE	Time
CNN	8.43	9.99	-	0.96	1.17	-
CNN + Pairwise Proj.	2.63	3.24	100.3	0.53	0.71	73.6
CNN + π-uniform + 10-Centroids	1.79	2.23	1.80	0.60	0.84	1.36
U-Net	13.60	15.29	-	0.81	0.99	-
U-Net + Pairwise Proj.	1.75	2.31	99.1	0.17	0.28	94.9
U-Net + π-uniform + 10-Centroids	1.18	1.53	2.31	0.22	0.39	1.58
FNO	9.88	11.43	-	3.20	4.19	-
FNO + Pairwise Proj.	1.38	1.74	151.4	0.28	0.42	94.0
FNO + π-uniform + 10-Centroids	1.25	1.60	2.31	0.33	0.53	1.54

U-Net 热问题 MAE 从 13.60 降到 1.18（约 91% 降幅），FNO 热问题从 9.88 降到 1.25。

消融实验表格

质心约简的候选数对比（Baseline=全量最近 / Clustered=K 质心 / Random=K 随机样本）：

投影方式	MAE	投影时间
Pairwise（全量基线）	最低参考	\(O(MN)\)，~100–150s
K-Centroids（聚类）	与基线在统计噪声内持平	~\(100\times\) 加速
K-Randoms（随机）	明显高于聚类	同量级

随候选数增加，聚类投影 MAE 收敛到全量基线，而随机投影始终留有差距，验证质心代表性。

关键发现

• 改善集中在最差 OOD 案例：Top-3 worst 案例提升最大，正是原始代理模型完全无法外推的区域。
• 几乎零额外训练：方法免训练、模型无关，对 CNN/U-Net/FNO 三种架构一致有效。
• 精度-速度兼得：质心约简把投影时间从约 100s 压到 ~1.8s，精度几乎无损。

亮点与洞察

• 重新定义 OOD：把"单位/尺度差异导致的 OOD"重新诠释为保 π 的尺度等价，OOD 从"需要模型适应的难题"变成"可在输入端解析校正的表示问题"，视角新颖且物理可解释。
• 几何化的优雅：intra-class（保 π 尺度）⊥ inter-class（改 π 物理差）的正交分解，把抽象的量纲商空间落地为一个可计算的投影算子，理论与工程衔接干净。
• 真正即插即用：作为推理前置步骤接在任意代理模型前，不碰训练、不改架构，落地成本极低。

局限与展望

• 假设强：要求系统由 PDE 主导，含经验/混合成分的系统可能失效。
• 代表统计量损信息：用算术均值概括场会模糊高度不规则的空间模式。
• 极端 OOD 仍退化：超出训练 π 范围的极端样本，即便 π-uniform 扩容也会掉点。
• 任务范围有限：仅验证了稳态热传导与线弹性两类静态 PDE，作者展望扩展到瞬态/对流 PDE（对流-扩散、Navier-Stokes）及不确定性感知投影。

相关工作与启发

• 量纲分析学习（Bakarji 2022、Xie 2022、SINDy 系列）：本文把标量 π 学习推广到 2D 空间场，并系统处理了零集塌缩与分母爆炸两大失败模式。
• 神经算子（FNO 及变体、PINO）：本文不与之竞争，而是作为其 OOD 鲁棒性的免训练增强层。
• 测试时训练/自适应（TTT、Tent 等）：本文提供了一条无需反向优化的样本级、保 π 对齐替代路径，速度更优。
• 启发：当 OOD 的"漂移"其实带有已知物理对称性（量纲、伸缩、平移群）时，与其让模型去学习不变性，不如在输入端用解析变换显式消除——这一思路可迁移到任何具备已知群作用的科学计算任务。

评分

• 新颖性: ⭐⭐⭐⭐ 把 Buckingham-π 不变量与测试时投影结合，并解决空间场 π 退化问题，视角与切入点都新。
• 实验充分度: ⭐⭐⭐ 三种架构、两类 PDE、含质心约简消融，论证扎实；但 PDE 类型仅静态两例，缺瞬态/对流验证。
• 写作质量: ⭐⭐⭐⭐ 理论推导（log 形式、正交分解）清晰，图示与流程图到位。
• 价值: ⭐⭐⭐⭐ 免训练、模型无关、即插即用，对 AI4Science 代理模型的 OOD 部署有实际意义。

相关论文

• [ICLR 2026] Prior-Free Tabular Test-Time Adaptation
• [ICLR 2026] PriorGuide: Test-Time Prior Adaptation for Simulation-Based Inference
• [ICLR 2026] Exposing Mixture and Annotating Confusion for Active Universal Test-Time Adaptation
• [ECCV 2024] MemBN: Robust Test-Time Adaptation via Batch Norm with Statistics Memory
• [CVPR 2026] Neural Collapse in Test-Time Adaptation