使用随机插值重塑物理系统的生成模型
机器学习
2025-10-01 v1
摘要
生成模型最近涌现出作为物理系统的强大替代品，显示出 increased accuracy、stability 和/或统计保真度。大多数方法依赖迭代去噪高斯，这种选择可能并非针对 PDE 和动力系统（如气候）中的自回归预测任务最有效。在本工作中，我们对不同物理领域和任务中的生成模型进行基准测试，突出随机插值在其中的作用。通过直接学习当前状态与未来状态之间的随机过程，随机插值可以利用连续物理分布之间的接近性。这使得能够使用更少的采样步骤并产生比依赖于传输高斯噪声的模型更准确的预测。我们的实验表明，生成模型需要在确定性准确性、谱一致性和概率校准之间进行权衡，而随机插值可以通过调整其采样来可能满足这些要求。这项研究将随机插值确立为物理仿真的有竞争力的基线，并对不同生成建模框架的能力提供了见解。
引用
@article{arxiv.2509.26282,
title = {Reframing Generative Models for Physical Systems using Stochastic Interpolants},
author = {Anthony Zhou and Alexander Wikner and Amaury Lancelin and Pedram Hassanzadeh and Amir Barati Farimani},
journal= {arXiv preprint arXiv:2509.26282},
year = {2025}
}
备注
Code and data is available at http://github.com/anthonyzhou-1/interpolant_pdes