論文の概要: ProFlow: Zero-Shot Physics-Consistent Sampling via Proximal Flow Guidance

• arxiv url: http://arxiv.org/abs/2601.20227v1
• Date: Wed, 28 Jan 2026 03:57:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.758347
• Title: ProFlow: Zero-Shot Physics-Consistent Sampling via Proximal Flow Guidance
• Title（参考訳）: ProFlow: 近流誘導によるゼロショット物理一貫性サンプリング
• Authors: Zichao Yu, Ming Li, Wenyi Zhang, Difan Zou, Weiguo Gao,
• Abstract要約: ProFlowはゼロショット物理一貫性サンプリングのためのフレームワークである。 厳密な物理的整合性と観測的忠実さを事前訓練された前の統計構造と整合させる。 これは、より正確な分布統計だけでなく、より優れた物理的および観測的整合性を達成する。
• 参考スコア（独自算出の注目度）: 35.08166384258028
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inferring physical fields from sparse observations while strictly satisfying partial differential equations (PDEs) is a fundamental challenge in computational physics. Recently, deep generative models offer powerful data-driven priors for such inverse problems, yet existing methods struggle to enforce hard physical constraints without costly retraining or disrupting the learned generative prior. Consequently, there is a critical need for a sampling mechanism that can reconcile strict physical consistency and observational fidelity with the statistical structure of the pre-trained prior. To this end, we present ProFlow, a proximal guidance framework for zero-shot physics-consistent sampling, defined as inferring solutions from sparse observations using a fixed generative prior without task-specific retraining. The algorithm employs a rigorous two-step scheme that alternates between: (\romannumeral1) a terminal optimization step, which projects the flow prediction onto the intersection of the physically and observationally consistent sets via proximal minimization; and (\romannumeral2) an interpolation step, which maps the refined state back to the generative trajectory to maintain consistency with the learned flow probability path. This procedure admits a Bayesian interpretation as a sequence of local maximum a posteriori (MAP) updates. Comprehensive benchmarks on Poisson, Helmholtz, Darcy, and viscous Burgers' equations demonstrate that ProFlow achieves superior physical and observational consistency, as well as more accurate distributional statistics, compared to state-of-the-art diffusion- and flow-based baselines.
• Abstract（参考訳）: 偏微分方程式(PDE)を厳密に満足しながらスパース観測から物理場を推定することは、計算物理学における基本的な課題である。 近年、深層生成モデルは、そのような逆問題に対して強力なデータ駆動の先行性を提供するが、既存の手法では、学習した生成前をコスト的に再訓練したり破壊したりすることなく、厳しい物理的制約を強制するのに苦労している。 そのため、厳密な物理的整合性と観測精度を事前訓練された統計的構造と整合させることができるサンプリング機構が不可欠である。 この目的のために,タスク固有のリトレーニングを伴わずに,固定された生成前を用いてスパース観測から解を推測する手法として定義されたゼロショット物理一貫性サンプリングのための近距離ガイダンスフレームワークProFlowを提案する。 このアルゴリズムは、 (\romannumeral1) と (\romannumeral) と (\romannumeral) と (\romannumeral) を交互に置き換える厳密な2段階のスキームを用いており、これは、(\romannumeral) は、 (\romannumeral) と (\romannumeral) を交互に最小化することで、物理的および観察的に一貫した集合の交点にフロー予測を投影し、 (\romannumeral) は補間し、洗練された状態を生成軌道にマッピングし、学習されたフロー確率パスとの整合性を維持する。 この手順は、ベイズ的解釈をMAP更新の局所的な最大値のシーケンスとして認める。 Poisson、Helmholtz、Darcy、Viscous Burgersの方程式に関する総合的なベンチマークでは、ProFlowは、最先端の拡散とフローベースのベースラインと比較して、より正確な分布統計と同様に、より優れた物理的および観察的一貫性を達成することが示されている。

関連論文リスト

• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• DAISI: Data Assimilation with Inverse Sampling using Stochastic Interpolants [12.587156528707796]
  本稿では,フローベース生成モデルに基づくスケーラブルなフィルタリングアルゴリズムであるDAISIを紹介する。 DAISIは, 疎度, 雑音, 非線形の観測を行う体制において, 正確なフィルタリング結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-11-29T00:02:45Z)
• The Coverage Principle: How Pre-Training Enables Post-Training [70.25788947586297]
  予備学習が最終モデルの成功をどう形作るかを検討する。 下流の性能予測におけるカバレッジのパワーを説明するメカニズムを明らかにする。
  論文  参考訳（メタデータ） (2025-10-16T17:53:50Z)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• FlowDAS: A Stochastic Interpolant-based Framework for Data Assimilation [15.64941169350615]
  データ同化(DA)は、PDEが支配するシステムの状態を推定するために、動的モデルと観測を統合する。 FlowDASは、間補体を使用して状態遷移ダイナミクスを学習する生成DAフレームワークである。 本研究では,FlowDASがモデル駆動法,ニューラル演算子,スコアベースベースラインを超える精度と物理的妥当性を示す。
  論文  参考訳（メタデータ） (2025-01-13T05:03:41Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Benchmarking Autoregressive Conditional Diffusion Models for Turbulent Flow Simulation [26.520247496906492]
  本研究では,条件付き拡散モデルに基づく自動回帰ロールアウトを利用した完全データ駆動型流体解法が,この問題に対処するための有効な選択肢であるかどうかを解析する。 各種流速予測手法の性能を定量的に定性的に評価するために, 非圧縮性および超音速流を含む3つの難解な2次元シナリオと等方性乱流を用いる。 単純な拡散に基づくアプローチであっても、トレーニング時のアンロールのような最先端の安定化技術と同等でありながら、精度と時間的安定性の観点から、複数の確立したフロー予測手法より優れていることが判明した。
  論文  参考訳（メタデータ） (2023-09-04T18:01:42Z)
• Composing Normalizing Flows for Inverse Problems [89.06155049265641]
  本稿では,2つの流れモデルの合成として,対象条件を推定する近似推論フレームワークを提案する。 本手法は,様々な逆問題に対して評価し,不確実性のある高品質な試料を作製することを示した。
  論文  参考訳（メタデータ） (2020-02-26T19:01:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。