基于一致性模型的输入凸神经网络物理信息设计用于最优传输流匹配
机器学习
2025-11-11 v1
摘要
我们提出了一种基于最优传输流的一致性模型。部分输入凸神经网络（PICNN）的物理信息化设计在构建流场以模拟位移插值方面发挥核心作用。在训练阶段，我们将OT公式中的 Hamilton-Jacobi（HJ）残差与原始流匹配损失函数耦合。我们的方法避免了上一方法中存在的内部优化子问题。在预测阶段，我们的方法支持从同一学习到的势函数进行单步（Brenier图）和多步ODE抽样，利用OT流的直线性。我们在标准OT基准测试上验证了其可扩展性和性能。
引用
@article{arxiv.2511.06042,
title = {Physics-Informed Design of Input Convex Neural Networks for Consistency Optimal Transport Flow Matching},
author = {Fanghui Song and Zhongjian Wang and Jiebao Sun},
journal= {arXiv preprint arXiv:2511.06042},
year = {2025}
}