在物理先验下生成物理动力学
机器学习
2026-02-16 v4 机器学习
摘要
在数据驱动的背景下生成物理上可行的动力学具有挑战性，尤其是在遵循以特定方程或公式表达的物理先验时。现有方法常常忽视物理先验的整合，导致违反基本物理定律和次优性能。在本文中，我们引入了一个新颖的框架，将物理先验无缝地整合到基于扩散的生成模型中，以解决这一局限性。我们的方法利用了两类先验：1) 分布先验，如旋转-平移不变性，以及 2) 物理可行性先验，包括能量和动量守恒定律以及偏微分方程约束。通过将这些先验嵌入到生成过程中，我们的方法能够高效地生成物理上真实的动力学，包括轨迹和流场。实证评估表明，我们的方法在多种物理现象中产生了高质量的动力学，并具有显著的鲁棒性，突显了其在推进 AI4Physics 数据驱动研究方面的潜力。我们的贡献标志着生成建模领域的重大进展，为生成准确且物理一致的动力学提供了鲁棒的解决方案。
引用
@article{arxiv.2409.00730,
title = {Generating Physical Dynamics under Priors},
author = {Zihan Zhou and Xiaoxue Wang and Tianshu Yu},
journal= {arXiv preprint arXiv:2409.00730},
year = {2026}
}