联邦物理学习 (Federated Physics Learning)

一种允许不同厂商在不共享私有几何参数的前提下，共同训练高精度物理模型的算法。该概念在ICLR 2026上成为热点。

核心技术特点

• 隐私保护：各厂商无需共享私有几何参数即可协作训练。
• 高精度保持：初步实验显示在保持95%精度的同时，能将跨中心协作的通信成本降低80%。
• 应用场景：流体动力学、结构强度预测等需要跨组织协作的物理仿真场景。

意义

联邦物理学习解决了工业数据隐私与协作的矛盾，是未来跨组织AI协作的关键技术。

在维基中的角色

联邦物理学习代表了工业智能领域解决数据隐私与协作矛盾的技术方向，与[[物理增强神经网络]]和[[世界模型]]共同构成工业智能"物理化"趋势的技术体系。