物理信息生成求解器：构建数据驱动先验与守恒律之间的桥梁，用于稳定的时空场重建
机器学习
2026-05-22 v1
摘要
从稀疏测量重建连续物理场是中心性反问题，但数据驱动生成模型可能产生违反支配动态的状态。我们引入一种物理信息生成求解器，将稳定的先验学习与推断时对守恒律的强制执行分离。马 Martingale-正则化得分匹配通过得分-福克-普兰赫茨约束对得分预训练进行正则化，生成动态稳定的先验。物理信息隐式得分采样随后通过物理残差的梯度引导去噪轨迹，将样本投射到可接受的流形上，而无需重新训练。在声学领域，该方法从稀疏传感器中共生成压力和粒子速度，实现抑制空间别名的稠密虚拟阵列。该同一框架可推广至极端稀疏下的真实世界 ERA5 气象场。总体而言，本工作建立了一种严谨且可通用的高维反问题求解范式，搭建了生成式人工智能与首要原理科学之间的鸿沟。
引用
@article{arxiv.2605.22338,
title = {Physics-Informed Generative Solver: Bridging Data-Driven Priors and Conservation Laws for Stable Spatiotemporal Field Reconstruction},
author = {Ziyuan Zhu and Keyu Hu and Zhifei Chen and Yuhao Shi and Ming Bao and Jing Zhao and Gang Wang and Haitan Xu and Jiadong Li and Qijun Zhao and Xiaodong Li and Minghui Lu and Yanfeng Chen},
journal= {arXiv preprint arXiv:2605.22338},
year = {2026}
}