通过 FNO 引导的条件流匹配桥接物理-数据鸿沟：通过层次物理约束设计归纳偏置
机器学习
2025-10-10 v1
摘要
常规的时间序列生成往往忽视领域特定的物理约束，限制了统计和物理一致性。我们提出一种层次框架，将物理规律中的内在层次结构——守恒律、动力学、边界条件和经验关系——直接嵌入深度生成模型，引入一种新的物理感知归纳偏置范式。我们的方法将 Fourier 神经算子（FNO）用于学习物理算子，与条件流匹配（CFM）用于概率生成相结合，通过时间依赖的层次约束和 FNO 引导的校正进行整合。在谐振子、人类活动识别和锂离子电池退化等实验中，我们的方法在生成质量上提升 16.3%，物理违规减少 46%，预测准确率提高 18.5%。
引用
@article{arxiv.2510.08295,
title = {Bridging the Physics-Data Gap with FNO-Guided Conditional Flow Matching: Designing Inductive Bias through Hierarchical Physical Constraints},
author = {Tsuyoshi Okita},
journal= {arXiv preprint arXiv:2510.08295},
year = {2025}
}
备注
8 pages, 1 figure