物理保真度重构：基于改进一致性蒸馏的动力系统流匹配

从低保真观测重建高保真流场是科学机器学习中的核心问题，但最近的扩散和流匹配模型通常依赖迭代采样，在延迟敏感的工作流程（如 ensemble 预测、实时可视化和仿真-in-the-loop 推断）中代价较高。我们研究高保真流匹配生成模型能否压缩为紧凑的单步骤模型用于快速科学流重构。我们的做法将最优传输流匹配教师蒸馏到单步骤一致性模型中。在推断时，通过从带噪观测沿传输路径初始化生成轨迹，允许无条件高保真流模型在不重新训练教师的条件下执行条件重构。在三个流体基准测试中评估该蒸馏策略：烟雾浮力、湍流通道流和Kolmogorov流，使用从粗到细的重构作为受控测试平台，场尺寸达到$256 \times 256$。在这些设置下，蒸馏学生在谱系指标上保留了类似教师模型的性能，同时使用约半的参数量，并实现了对流匹配教师的$12\times$推理加速。就相同训练预算而言，蒸馏学生在SSIM上比从头训练的单步骤一致性模型高出$23.1\%$，表明教师蒸馏不仅加速采样，还提高了训练效率。这些结果表明，将未来高容量科学生成模型转化为紧凑重构模型具有前景，这些模型更快地训练、更便宜运行且更易于部署。