吸引、排斥与摩擦：引入 DMF，一种带摩擦的漂移模型

漂移模型 [Deng 等，2026] 通过演化样本于基于核的漂移场来训练一步生成器，在推断时避免 ODE 积分。原始分析留下两个问题：漂移场迭代在两种粒子代理模型中允许局部排斥区域，且漂移 ($V_{p,q}\equiv 0$) 是否必然导致学习分布 $q$ 匹配目标分布 $p$ 尚未知晓。我们推导了代理模型的收缩阈值，表明线性调度的摩擦系数给出误差轨迹的有限时域界限。在高斯核下，我们证明漂移场平衡是可识别的：在任意开集上 $V_{p,q}$ 消失必然导致 $q=p$，从而闭合了 Deng 等 [2026] 第 3.1 命题的逆向问题。我们的摩擦增强模型 DMF (Drifting Model with Friction) 在 FFHQ 成人到儿童领域转换中匹配或超过 Optimal Flow Matching，训练计算成本降低 16 倍。