Composing Flow-Matching Energies with Known Physics: Generation, OOD Detection, and Inversion on PDE Fields

📄 arXiv: 2608.18004v1 📥 PDF

作者: Yixuan Sun, Anirban Samaddar, Sandeep Madireddy

分类: cs.LG, physics.comp-ph

发布日期: 2026-08-18

💡 一句话要点

提出流匹配能量模型以解决PDE场的生成与OOD检测问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 能量基础模型 流匹配 偏微分方程 异常检测 逆问题 概率建模 物理知识 数据驱动

📋 核心要点

  1. 现有的能量基础模型（EBMs）难以训练和采样，尤其是在处理偏微分方程（PDE）时，导致其应用受到限制。
  2. 本文提出了一种流匹配模型，通过潜在诱导速度生成明确的标量能量，简化了能量函数的获取过程，避免了变分形式和额外的MCMC步骤。
  3. 实验结果表明，所提方法在PDE残差和谱距离方面相较于流ODE基线有显著降低，同时在OOD检测任务中提高了检测准确性。

📝 摘要（中文）

物理场的概率建模受益于数据驱动的先验和已知的物理结构，如控制方程。能量基础模型（EBMs）因其能量的可加性而适合于此，但由于难以训练和采样，限制了其应用。本文展示了具有潜在诱导速度的流匹配模型，能够在所有传输时间提供明确的标量能量，其梯度正好是转换后的学习得分，并在总体最优时恢复边际负对数密度。通过独立线性高斯插值的匹配回归目标获得时间依赖的能量函数，采样保留流ODE。训练模型的能量函数可用于数据生成、OOD检测的评分函数以及逆问题的能量组合后验采样。

🔬 方法详解

问题定义：本文旨在解决物理场的概率建模问题，尤其是如何有效地训练和采样能量基础模型（EBMs），以便更好地处理偏微分方程（PDE）相关的任务。现有方法在这方面存在训练困难和采样效率低下的痛点。

核心思路：论文提出了一种流匹配模型，利用潜在诱导速度生成明确的标量能量。这种设计使得能量函数的获取变得简单，并且能够在所有传输时间上提供一致的能量输出。

技术框架：整体架构包括三个主要模块：首先，通过匹配回归目标获得时间依赖的能量函数；其次，利用该能量函数进行数据生成和OOD检测；最后，结合能量进行逆问题的后验采样。

关键创新：最重要的技术创新在于通过流匹配模型实现了能量的显式表达，克服了传统EBMs在训练和采样中的困难。这种方法与现有的基于变分推断的技术有本质区别。

关键设计：关键设计包括使用独立线性高斯插值来获取能量函数，采用流ODE保持采样过程的连贯性，以及在OOD检测中结合数据能量和物理能量（如PDE残差）作为互补机制。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提流匹配模型在PDE残差和谱距离方面相较于流ODE基线显著降低，且在OOD检测任务中，结合数据能量和物理能量的策略提高了检测准确性，展示了模型的有效性和优越性。

🎯 应用场景

该研究的潜在应用领域包括物理场的建模、异常检测和逆问题求解等。通过将物理知识与数据驱动方法相结合，能够在科学计算、工程设计和环境监测等多个领域产生实际价值，推动相关技术的发展。

📄 摘要（原文）

Probabilistic modeling of physical fields benefits from both a data-driven prior and known physical structure such as the governing equations. Energy-based models (EBMs) are a natural fit since energies compose additively, which enables augmenting physics information during inference. However, EBMs have been difficult to train and sample from due to the intractable partition function. We show in this work that flow matching models with a potential-induced velocity yield an explicit scalar energy at all transport times, whose gradient is exactly the converted learned score and which recovers the marginal negative log-density at the population optimum. The time-dependent energy functions are obtained purely from the matching regression objective on an independent linear Gaussian interpolation, without a variational form or additional MCMC steps, and the sampling retains the flow ODE. Access to the energy function from a trained model serves three roles: energy-corrected data generation, energy as a scoring function for out-of-distribution (OOD) detection, and energy compositional posterior sampling for inverse problems. In particular, we show the explicit energy permits general MCMC samplers in the predictor-corrector sampling framework, reducing PDE residual and spectral distance compared to the flow ODE baseline. Furthermore, we demonstrate utilizing the data energy and physics-based energy (e.g., PDE residuals) as complementary mechanisms to improve detection accuracy for OOD tasks. In addition, we explore the connection to MCMC-based inference for inverse problems by composing the energy with a quadratic observational likelihood that yields a posterior energy, used as an explicitly chosen family of inference-time targets.