ANTIC: Adaptive Neural Temporal In-situ Compressor

📄 arXiv: 2604.09543v1 📥 PDF

作者: Sandeep S. Cranganore, Andrei Bodnar, Gianluca Galleti, Fabian Paischer, Johannes Brandstetter

分类: cs.LG

发布日期: 2026-04-10

备注: 31 pages, 19 figures, 9 Tables

💡 一句话要点

ANTIC：自适应神经时序原位压缩器，解决大规模偏微分方程仿真数据存储瓶颈。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 原位压缩 神经场 时空压缩 偏微分方程 自适应采样

📋 核心要点

  1. 大规模偏微分方程仿真产生海量数据，对高性能计算基础设施的存储能力构成严峻挑战。
  2. ANTIC通过自适应时序选择和神经场空间压缩，在仿真过程中进行数据压缩，无需存储完整轨迹。
  3. 实验表明，ANTIC能够显著降低存储需求，同时保持较高的物理精度，实现数量级的存储缩减。

📝 摘要（中文）

针对高分辨率、时空演化场（由大规模高维偏微分方程控制）的持久存储需求已达到PB级甚至EB级的问题，论文提出了ANTIC（自适应神经时序原位压缩器），一个端到端的原位压缩流程。ANTIC包含一个针对高维物理场定制的自适应时序选择器，用于在仿真时识别和过滤信息量大的快照；以及一个基于持续微调的空间神经压缩模块，该模块使用神经场学习相邻快照之间的残差更新。通过单次流式处理，ANTIC实现了时序和空间分量的联合压缩，有效缓解了对完整时序轨迹进行显式磁盘存储的需求。实验结果表明，存储减少几个数量级与物理精度相关。

🔬 方法详解

问题定义：大规模高维偏微分方程（PDEs）的瞬态仿真，如Navier-Stokes方程、磁流体动力学、等离子体物理或双黑洞合并建模，产生的数据量巨大，对现代高性能计算（HPC）基础设施的存储能力提出了严峻的挑战。传统的存储方法需要将所有时间步的数据都保存下来，导致存储成本极高，成为计算瓶颈。

核心思路：ANTIC的核心思路是在仿真过程中进行原位（in situ）压缩，避免将所有数据都写入磁盘。它通过自适应地选择重要的时间步，并利用神经场学习相邻时间步之间的残差，从而实现高效的时空压缩。这种方法能够在保证物理精度的前提下，显著降低存储需求。

技术框架：ANTIC包含两个主要模块：自适应时序选择器和空间神经压缩模块。首先，自适应时序选择器根据物理信息的重要性，选择需要保留的关键时间步。然后，空间神经压缩模块利用神经场学习相邻时间步之间的残差，对选定的时间步进行空间压缩。整个流程以单次流式处理的方式进行，无需存储完整的时序轨迹。

关键创新：ANTIC的关键创新在于其自适应的时序选择机制和基于神经场的空间压缩方法。自适应时序选择器能够根据物理信息的重要性动态地选择需要保留的时间步，避免了传统方法中固定时间间隔采样可能导致的信息丢失。基于神经场的空间压缩方法能够有效地学习相邻时间步之间的残差，从而实现高效的空间压缩。

关键设计：自适应时序选择器的具体实现细节未知，但其核心思想是根据物理信息的重要性来选择时间步。空间神经压缩模块使用神经场来表示物理场，并通过学习相邻时间步之间的残差来进行压缩。损失函数的设计需要平衡压缩率和物理精度，具体形式未知。网络结构的选择也需要根据具体的物理问题进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文展示了ANTIC在降低存储需求方面的显著效果，实现了几个数量级的存储缩减。具体性能数据和对比基线未知，但强调了存储缩减与物理精度之间的关系，表明ANTIC能够在保证物理精度的前提下，显著降低存储需求。

🎯 应用场景

ANTIC可应用于各种涉及大规模偏微分方程仿真的领域，如流体动力学、电磁学、等离子体物理、天体物理等。通过降低存储需求，ANTIC能够加速科学发现，并使更大规模的仿真成为可能。此外，该方法还可以应用于实时数据分析和可视化，为科学研究提供更高效的工具。

📄 摘要（原文）

The persistent storage requirements for high-resolution, spatiotemporally evolving fields governed by large-scale and high-dimensional partial differential equations (PDEs) have reached the petabyte-to-exabyte scale. Transient simulations modeling Navier-Stokes equations, magnetohydrodynamics, plasma physics, or binary black hole mergers generate data volumes that are prohibitive for modern high-performance computing (HPC) infrastructures. To address this bottleneck, we introduce ANTIC (Adaptive Neural Temporal in situ Compressor), an end-to-end in situ compression pipeline. ANTIC consists of an adaptive temporal selector tailored to high-dimensional physics that identifies and filters informative snapshots at simulation time, combined with a spatial neural compression module based on continual fine-tuning that learns residual updates between adjacent snapshots using neural fields. By operating in a single streaming pass, ANTIC enables a combined compression of temporal and spatial components and effectively alleviates the need for explicit on-disk storage of entire time-evolved trajectories. Experimental results demonstrate how storage reductions of several orders of magnitude relate to physics accuracy.