ProFlow: 近接流ガイダンスによるゼロショット物理整合サンプリング

TL;DR（結論）

ProFlowは、少数の観測データから偏微分方程式（PDE）を厳密に満たす物理場を推定するための、新しいゼロショット物理整合サンプリング手法である。既存の生成モデルが物理的制約をソフトなペナルティとしてしか扱えず、再学習なしでは厳密な整合性を維持できないという課題に対し、本手法は近接最適化と線形補間を組み合わせた二段階のガイダンス機構を導入している。ポアソン方程式やバーガース方程式を用いた検証により、従来の拡散モデルやフローベースの手法と比較して、物理的および観測的な整合性と統計的な正確性の両面で優れた性能を示すことが確認された。

なぜこの問題か

計算物理学における根本的な課題は、限られた観測データから物理法則を厳密に遵守する連続的な場を推定することにある。古典的な手法である有限差分法（FDM）や有限要素法（FEM）、有限体積法（FVM）、あるいはスペクトル法などは高い精度を誇るが、高次元の問題や複雑な形状においては計算コストが膨大になり、メッシュ生成などの専門的な設計も必要となる。近年、物理情報ニューラルネットワーク（PINNs）やニューラルオペレータ（FNO、DeepONet）が登場し、計算の高速化が図られているが、これらは新しい問題設定ごとに再学習が必要であったり、不確実性の評価が困難であったりするという制限がある。さらに、拡散モデルやフローマッチングモデルなどの生成モデルを用いたアプローチも提案されているが、物理的な制約を勾配ベースのペナルティ項として扱う「ソフト」な手法が多く、保存則などの厳密な物理法則を完全に満たすことは難しい。既存のハードな投影手法も、生成モデルが学習した確率パスから逸脱してしまうため、統計的な質が低下するという問題がある。…

核心：何を提案したのか

本研究が提案するProFlowは、事前学習済みの生成モデルを固定したまま、サンプリング時に物理制約と観測データを統合する「近接流ガイダンス（Proximal Flow Guidance）」フレームワークである。この手法の核心は、関数空間上の連続的な流れを学習するFunctional Flow Matching（FFM）を生成事前分布として採用し、サンプリングの各ステップで物理法則と観測データの両方に整合するように軌道を修正する点にある。具体的には、モデルが予測した候補状態を物理的に許容可能な集合と観測データに合致する集合の交点へと投影する「終端最適化」と、その修正された状態を学習済みの確率パスへと戻す「補間」の二段階プロセスを繰り返す。これにより、タスク固有の再学習を行うことなく、未知の境界条件や観測データに対しても即座に適応可能なゼロショット性能を実現している。…

続きはログイン/プランで閲覧できます。