扩散模型秒变物理时钟！新方法让生成时间对准真实输运，无需调参就复现湍流等离子体实验
Generative Diffusion Surrogates with Analytical Variance Schedule
📖 AI 总结
该论文提出了一种将生成式扩散模型应用于随机输运物理系统的新方法。传统扩散模型的噪声调度通常依赖启发式选择，缺乏物理意义。作者创新性地将前向加噪速率设定为系统方差（均方位移）的时间导数，使生成时间转化为校准的输运时钟，从而无需中间时刻的物理输运数据即可构建代理模型。该方法通过构造保证方差路径的准确性，同时利用学习到的分数场刻画非高斯结构沿路径的平滑过程。在湍流等离子体中的弹道-扩散输运测试中，该代理模型成功匹配了测试粒子分布，复现了实验测量的方差尺度，并追踪了模拟的峰度演化，且无需调度调参。这项工作为复杂物理系统的概率性、时间分辨仿真提供了新工具，支持校准模拟和基于似然的统计推断。
🔑 关键词速览
| Stochastic transport | 随机输运，描述粒子或能量在随机力或异质介质作用下扩散的物理过程。 |
| Generative diffusion models | 生成扩散模型，一类通过逐步添加噪声并学习逆向去噪过程来生成数据的深度学习模型。 |
| Noise schedule | 噪声调度，扩散模型中控制每一步添加噪声强度的预设序列。 |
| Score field | 得分场，扩散模型中用于估计数据分布梯度（即去噪方向）的函数。 |
| Kurtosis | 峰度，衡量概率分布尾部重尾程度或峰态陡峭度的统计量。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅