面向生物与物理科学模拟的稀疏数据扩散模型
机器学习
2026-01-23 v3
摘要
稀疏数据是生物和物理科学模拟的基础，从单细胞基因表达到粒子量热法，其中精确的零值编码的是物理上的不存在，而非弱信号。然而，现有的扩散模型缺乏忠实表征这种稀疏性的物理严谨性。本文引入了稀疏数据扩散（Sparse Data Diffusion, SDD）方法，这是一种通过稀疏位（Sparsity Bits）显式建模精确零值的生成方法，将高效的机器学习生成与基于物理的稀疏性处理统一起来。在粒子物理学和单细胞生物学中的实证验证表明，SDD 在捕捉对科学分析至关重要的稀疏模式方面，比基线方法具有更高的保真度，从而推进了可扩展且物理上忠实的模拟。
引用
@article{arxiv.2502.02448,
title = {Sparse Data Diffusion for Scientific Simulations in Biology and Physics},
author = {Phil Ostheimer and Mayank Nagda and Andriy Balinskyy and Jean Radig and Carl Herrmann and Stephan Mandt and Marius Kloft and Sophie Fellenz},
journal= {arXiv preprint arXiv:2502.02448},
year = {2026}
}
备注
This paper won the Best Paper Award at the SimBioChem workshop at EurIPS 2025