PhysicsAI模型训练：架构、超参数与数据准备
上一篇我们了解了 PhysicsAI 的整体架构与工作流。本篇深入模型训练环节，系统讲解三种AI架构（GCNS、TNS、SER）的差异、核心超参数的调优方法，以及输入特征与迁移学习的使用。掌握这些内容，才能训练出精度高、泛化强的物理AI模型。
一、训练流程概述
训练通过 Train Model 对话框完成。在该对话框中，需要定义训练的详细信息，包括：模型名称、训练数据集、输入/输出选择、训练脚本、超参数。此外，还可以启用迁移学习（Transfer Learning），并选择 Mesh Alignment 选项以处理空间平移的网格。
PhysicsAI 提供三种AI方法：GCNS（默认）、TNS 和SER。三者各有适用场景，后文将详细对比。
二、训练核心概念
理解训练过程，首先要掌握两个核心概念：
•Epoch（轮次）
：一次完整的训练迭代，即模型遍历整个训练数据集一次。 •Batch size（批大小）
：每个训练步骤（step）所使用的数据点数量。
举例说明：当有 6 个数据点、训练 2 个 epoch 时：
•
若 batch size = 2，则每个 epoch 有 3 个 step，2 个 epoch 共 6 个 step； •
若 batch size = 3，则每个 epoch 有 2 个 step，2 个 epoch 共 4 个 step。
三、三种AI架构对比
PhysicsAI 提供三种神经网络架构，适用于不同的预测场景：
3.1 GCNS（Graph Context Neural Simulator）
默认架构。在 CPU 上比 TNS 更快，内存占用更少，训练过程更稳定。适合大多数常规预测任务。
3.2 TNS（Transformer Neural Simulator）
基于 Transformer 的架构。在 GPU 上速度更快，参数量更大，具有网格尺寸不变性（对CAD输入尤其友好），生成的云图轮廓更平滑，推荐用于瞬态与大变形场景。
3.3 SER（Shape Encoding Regressor）
仅支持向量输出（KPI/曲线），训练与预测速度远快于另外两种架构。当只需要预测标量KPI或曲线时，SER 是最高效的选择。
四、超参数详解
超参数直接决定模型的容量与收敛行为。PhysicsAI 的核心超参数包括：
•Width（宽度）
：起始层的神经元数量，决定模型容量； •Depth（深度）
：神经网络的层数，影响模型表达能力； •Epochs（轮次）
：训练轮数，即模型遍历数据集的次数； •Batch size（批大小）
：每个 step 的数据点数量，默认为 1； •Learning rate（学习率）
：步长大小，采用余弦衰减（cosine decay）策略。
对于 TNS 架构，还有两个专属超参数：Sections（上下文分辨率，范围16~128）和Heads（多头注意力头数，范围4~16）。
五、输入特征
PhysicsAI 的输入特征决定了模型能"感知"哪些物理信息。内置的输入特征包括：
•
cae.coord：空间坐标，始终启用，是模型的基础输入； •
cae.part_label：部件名称，作为预测因子参与训练； •
cae.shell_thickness：2D壳单元的厚度； •
cae.material_label：材料名称。
除内置特征外，PhysicsAI 还支持两类自定义钩子（hooks）：全局钩子（Global hooks）（.json + Python）和节点钩子（Nodal hooks）（.csv + Python），用于注入用户自定义的物理量。
六、迁移学习
迁移学习（Transfer Learning）允许以已训练好的模型作为起点，在新数据集上继续训练。这适用于模型复用和模型更新两种场景。
需要注意的是：由于存在灾难性遗忘（catastrophic forgetting），新训练得到的模型仅对新数据集准确，原有模型在新数据上的预测能力可能下降。因此迁移学习更适合在相似数据集间进行。
迁移学习建议：当新数据集与原数据集物理规律相似、仅几何或工况有少量变化时，迁移学习能显著减少所需训练数据与时间。若两者差异较大，建议从头训练以避免灾难性遗忘。
—— HyperWorks 2026 AI驱动CAE系列 · 完 ——
