論文の概要: Recursive Flow Matching

• arxiv url: http://arxiv.org/abs/2605.26535v1
• Date: Tue, 26 May 2026 04:32:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.663049
• Title: Recursive Flow Matching
• Title（参考訳）: 再帰的フローマッチング
• Authors: Jiahe Huang, Sihan Xu, Sharvaree Vadgama, Rose Yu,
• Abstract要約: 本稿では,複雑な力学を予測するための生成フレームワークRecursive Flow Matching (RecFM)を紹介する。 RecFMは、離散化スケールを調整するための自己整合性を強制し、離散化エラーを低減し、物理ベースのタスクのメトリクス間でのパフォーマンスを改善する。
• 参考スコア（独自算出の注目度）: 26.525851478512678
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models have emerged as a powerful paradigm for solving physics systems and modeling complex spatiotemporal dynamics. However, achieving high physical accuracy without incurring high computational cost remains a fundamental challenge, as existing approaches face a critical speed-fidelity trade-off. In this work, we introduce Recursive Flow Matching (RecFM), a generative framework for forecasting complex spatiotemporal dynamics. RecFM enforces self-consistency to align trajectories across discretization scales, reducing discretization errors and improving performance across metrics for physics-based tasks. To our knowledge, this is the first method to achieve high-fidelity one- and few-step (2-4 step) dynamic generation for scientific systems with performance comparable to state-of-the-art multi-step solvers. Across challenging scientific benchmarks, RecFM achieves up to a 20$\times$ speedup over leading diffusion-based emulators while improving predictive accuracy. Furthermore, RecFM reduces mean squared error by over 15% compared to vanilla flow matching, offering a scalable and efficient solution for real-time scientific emulation.
• Abstract（参考訳）: 生成モデルは、物理系を解くための強力なパラダイムとして現れ、複雑な時空間力学をモデル化している。 しかし、計算コストを伴わずに高い物理精度を達成することは、既存のアプローチが重要な速度-忠実トレードオフに直面しているため、根本的な課題である。 本稿では,複雑な時空間力学を予測するための生成フレームワークであるRecursive Flow Matching (RecFM)を紹介する。 RecFMは、離散化スケール間で軌道を整列させる自己整合性を強制し、離散化エラーを低減し、物理ベースのタスクのメトリクス間でのパフォーマンスを改善する。 我々の知る限り、これは最先端の多段階解法に匹敵する性能を持つ科学システムに対して、高忠実な1段階と数段階(4段階)の動的生成を実現するための最初の方法である。 挑戦的な科学的ベンチマークを通じて、RecFMは、予測精度を改善しながら、リード拡散ベースのエミュレータよりも20$\times$のスピードアップを達成する。 さらに、RecFMはバニラフローマッチングと比較して平均2乗誤差を15%以上削減し、リアルタイムな科学的エミュレーションのためのスケーラブルで効率的なソリューションを提供する。

関連論文リスト

• Physical Fidelity Reconstruction via Improved Consistency-Distilled Flow Matching for Dynamical Systems [3.692960109077297]
  本研究では,高速な科学的フロー再構成のためのコンパクトなワンステップモデルに高忠実なフローマッチング生成モデルを圧縮できるかどうかを考察する。 提案手法は, 最適流路整合型教師を1ステップの整合性モデルに抽出する。 輸送路沿いのノイズ観測から生成軌道を初期化することにより,低忠実度観測を推論時に組み込む。
  論文  参考訳（メタデータ） (2026-05-07T10:20:50Z)
• Is Flow Matching Just Trajectory Replay for Sequential Data? [46.770624059457724]
  時系列生成には、フローマッチング(FM)がますます使われている。 一般的な力学構造を学ぶのか、それとも単に効果的な「軌道再生」を行うのかはよく分かっていない。 インプリッドサンプリングは、非パラメトリックなメモリ拡張型連続時間力学系を構成するODEであることを示す。
  論文  参考訳（メタデータ） (2026-02-09T06:48:45Z)
• FlowConsist: Make Your Flow Consistent with Real Trajectory [99.22869983378062]
  現在の高速フロートレーニングパラダイムには,2つの根本的な問題がある,と我々は主張する。 ランダムにペアリングされたノイズデータサンプルから構築された条件付き速度は、系統的な軌跡ドリフトを導入する。 本研究では,高速フローにおける軌道整合性を実現するためのトレーニングフレームワークであるFlowConsistを提案する。
  論文  参考訳（メタデータ） (2026-02-06T03:24:23Z)
• ETC: training-free diffusion models acceleration with Error-aware Trend Consistency [46.40478218579471]
  モデル出力の再利用による拡散過程の促進 これらの手法は傾向を無視し、モデル固有の寛容性に対する誤り制御を欠いている。 拡散軌道の滑らかな連続性を利用するフレームワークであるETC(Error-aware Trend Consistency)を紹介する。 ETCはFLUXよりも2.65倍の加速を実現し、一貫性の劣化は無視できる。
  論文  参考訳（メタデータ） (2025-10-28T07:08:09Z)
• Resolving Turbulent Magnetohydrodynamics: A Hybrid Operator-Diffusion Framework [0.1572025118388268]
  ハイブリッド機械学習フレームワークは、100, 250, 500, 750, 1000, 3000, 10000$で$mathrmReで高忠実度シミュレーションの包括的なアンサンブルに基づいてトレーニングされている。 極度の乱流レベルでは、磁場の高波数進化を回復できる最初のサロゲートのままである。
  論文  参考訳（メタデータ） (2025-07-02T19:33:57Z)
• Flow Matching Meets PDEs: A Unified Framework for Physics-Constrained Generation [21.321570407292263]
  本稿では,PDE残差と代数的関係の両方の物理制約をフローマッチングの対象に組み込む生成フレームワークである物理ベースフローマッチングを提案する。 提案手法では,FMよりも高精度な物理残差を最大8倍に抑えながら,分布精度では既存アルゴリズムよりも明らかに優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-10T09:13:37Z)
• Time Marching Neural Operator FE Coupling: AI Accelerated Physics Modeling [3.0635300721402228]
  本研究は、物理インフォームド・ディープ・オペレーター・ネットワークをドメイン分解によりFEMと統合する新しいハイブリッド・フレームワークを導入する。 動的システムの課題に対処するため、DeepONetに直接タイムステッピングスキームを組み込み、長期エラーの伝搬を大幅に低減する。 提案手法は, 従来手法に比べて収束率を最大20%向上させるとともに, 誤差マージンが3%未満の解の忠実度を保ちながら, 収束率の高速化を図っている。
  論文  参考訳（メタデータ） (2025-04-15T16:54:04Z)
• A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
  最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。 この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。 本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-02-16T06:13:01Z)
• On Fast Simulation of Dynamical System with Neural Vector Enhanced Numerical Solver [59.13397937903832]
  ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。 NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。 様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
  論文  参考訳（メタデータ） (2022-08-07T09:02:18Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Multi-fidelity Generative Deep Learning Turbulent Flows [0.0]
  計算流体力学では、精度と計算コストの間に必然的なトレードオフがある。 本研究では,高忠実度乱流場の代理モデルとして,新しい多自由度深部生成モデルを提案する。 結果として生じるサロゲートは、物理的に正確な乱流実現を、高忠実度シミュレーションのそれよりも低い計算コストで生成することができる。
  論文  参考訳（メタデータ） (2020-06-08T16:37:48Z)

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。