Flow Matching Meets PDEs: A Unified Framework for Physics-Constrained Generation

生成式机器学习方法，例如扩散模型和流匹配，在建模复杂系统行为以及构建高效的代理模型方面展现出巨大潜力。然而，这些方法通常仅从数据中隐式地学习底层物理规律。本文提出了一种新型生成框架——基于物理的流匹配（Physics-Based Flow Matching, PBFM），能够将物理约束显式地嵌入到流匹配的目标函数中，这些约束包括偏微分方程（PDE）残差和代数关系。我们还在训练过程中引入了时间维度上的展开机制，从而提升最终无噪声样本预测的准确性。我们的方法无需调节各项损失权重的超参数，即可联合最小化流匹配损失与基于物理的残差损失。此外，我们分析了最小噪声水平 $σ_{\min}$ 在物理约束背景下的作用，并评估了一种有助于降低物理残差的随机采样策略。通过对三个典型偏微分方程问题进行广泛基准测试，我们证明所提方法相比传统流匹配（FM）可将物理残差降低高达8倍，同时在分布精度方面显著优于现有算法。因此，PBFM为物理与工程应用中的代理建模、不确定性量化以及加速仿真提供了一个原理严谨且高效的框架。

现有的生成式机器学习方法（如扩散模型和流匹配）虽然在建模复杂系统行为方面表现出色，但通常只是隐式地从数据中学习物理规律，缺乏对物理约束的显式嵌入，导致生成结果可能违反基本的物理定律。论文试图解决如何在生成模型中显式融合物理先验（如PDE残差和代数约束），以提升模型的物理一致性与预测准确性，这是一个在科学机器学习中日益重要且尚未完全解决的问题。

提出Physics-Based Flow Matching (PBFM)，一种新型生成框架，将物理约束（包括PDE残差和代数关系）显式嵌入到流匹配的目标函数中。关键创新在于：1）联合最小化流匹配损失与物理残差损失，无需调参平衡权重；2）训练时引入时间维度的展开机制，提升去噪后样本的精度；3）分析最小噪声水平σ_min对物理约束的影响，并采用随机采样策略进一步降低物理残差。

在三个典型PDE问题上进行了广泛实验，结果显示PBFM相比标准流匹配（FM）可将物理残差降低高达8倍，同时在分布准确性上显著优于现有方法。实验设计严谨，涵盖不同类型的偏微分方程系统。论文强调了σ_min的作用，提出了改进的采样策略。代码已开源（https://github.com/microsoft/PBFM），便于复现与扩展。未来可探索更复杂的多物理场耦合、不确定性量化应用及实时仿真加速。

1. Flow Matching for Generative Modeling: A Unifying Framework (2023) 2. Diffusion Models as Plug-and-Play Priors (2022) 3. Physics-Informed Neural Networks (PINNs): A Review (2021) 4. Score-Based Generative Modeling through Stochastic Differential Equations (2021) 5. Learning to Simulate Complex Physics with Deep Implicit Solvers (2020)