FlowLensing: Simulating Gravitational Lensing with Flow Matching

📄 arXiv: 2510.07878v3 📥 PDF

作者: Hamees Sayed, Pranath Reddy, Michael W. Toomey, Sergei Gleyzer

分类: astro-ph.IM, cs.CV

发布日期: 2025-10-09 (更新: 2025-11-14)

备注: 6 pages, 2 figures, 3 tables

💡 一句话要点

FlowLensing：利用Flow Matching加速引力透镜模拟，助力暗物质研究

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

关键词: 引力透镜 暗物质 Flow Matching 扩散模型 Transformer 宇宙学 图像生成 物理模拟

📋 核心要点

  1. 现有引力透镜模拟方法依赖光线追踪或正向建模，计算成本高昂，限制了大规模暗物质研究。
  2. FlowLensing利用Flow Matching，构建扩散Transformer模型，实现快速且物理一致的引力透镜图像生成。
  3. 实验表明，FlowLensing在暗物质模型模拟中，速度提升超过200倍，同时保持高保真度和低延迟。

📝 摘要（中文）

引力透镜是研究暗物质最有效的工具之一，但大规模生成高保真透镜图像仍然是一个瓶颈。现有的工具依赖于光线追踪或正向建模流程，虽然精确，但速度非常慢。我们提出了FlowLensing，一个基于扩散Transformer的紧凑高效的flow-matching模型，用于强引力透镜模拟。FlowLensing在离散和连续状态下均可运行，处理不同暗物质模型等类别以及连续模型参数，确保物理一致性。通过实现可扩展的模拟，我们的模型可以推进暗物质研究，特别是探测宇宙学调查中的暗物质子结构。我们发现，对于密集的暗物质模型，我们的模型比经典模拟器实现了超过200倍的加速，同时具有高保真度和低推理延迟。FlowLensing实现了快速、可扩展和物理一致的图像合成，为传统的正向建模流程提供了一种实用的替代方案。

🔬 方法详解

问题定义：论文旨在解决引力透镜模拟速度慢的问题。现有的光线追踪和正向建模方法虽然精度高，但计算量大，难以满足大规模暗物质研究的需求。尤其是在需要对大量暗物质模型参数进行探索时，计算瓶颈更加突出。

核心思路：论文的核心思路是利用Flow Matching，将引力透镜模拟问题转化为一个连续的概率分布变换问题。通过训练一个扩散Transformer模型，学习从一个简单的先验分布到目标透镜图像分布的映射，从而实现快速生成。Flow Matching能够保证生成图像的物理一致性，并且可以处理离散和连续的暗物质模型参数。

技术框架：FlowLensing的整体框架包含以下几个主要部分：1）数据预处理：对输入的暗物质模型参数和对应的透镜图像进行预处理，例如归一化等。2）Flow Matching模型：使用扩散Transformer作为Flow Matching模型，学习从先验分布到目标分布的映射。3）图像生成：通过对先验分布进行采样，然后利用训练好的Flow Matching模型进行迭代变换，最终生成透镜图像。4）后处理：对生成的透镜图像进行后处理，例如反归一化等。

关键创新：FlowLensing的关键创新在于将Flow Matching应用于引力透镜模拟。与传统的生成模型（如GANs）相比，Flow Matching具有更好的稳定性和可控性，能够生成更高质量的图像。此外，FlowLensing使用扩散Transformer作为Flow Matching模型，能够更好地捕捉图像中的长程依赖关系。与现有方法的本质区别在于，FlowLensing避免了复杂的物理计算，而是通过学习数据分布来实现快速模拟。

关键设计：FlowLensing的关键设计包括：1）扩散Transformer的网络结构：具体Transformer的层数、注意力机制等参数设置。2）Flow Matching的损失函数：用于训练Flow Matching模型的损失函数，例如均方误差等。3）采样策略：用于从先验分布中采样的策略，例如高斯分布采样等。4）训练策略：包括学习率、batch size、优化器等参数设置。

📊 实验亮点

FlowLensing在暗物质模型模拟中实现了显著的加速，速度提升超过200倍，同时保持了高保真度和低推理延迟。与传统的模拟器相比，FlowLensing能够在更短的时间内生成更多的透镜图像，从而加速暗物质研究的进程。实验结果表明，FlowLensing生成的图像质量与传统模拟器相当，能够满足科学研究的需求。

🎯 应用场景

FlowLensing可广泛应用于暗物质研究，例如探测暗物质子结构、约束暗物质模型参数等。通过快速生成大量的引力透镜图像，可以加速宇宙学调查的数据分析，提高暗物质研究的效率。此外，该方法还可以应用于其他需要进行大规模物理模拟的领域，例如天体物理学、粒子物理学等。

📄 摘要（原文）

Gravitational lensing is one of the most powerful probes of dark matter, yet creating high-fidelity lensed images at scale remains a bottleneck. Existing tools rely on ray-tracing or forward-modeling pipelines that, while precise, are prohibitively slow. We introduce FlowLensing, a Diffusion Transformer-based compact and efficient flow-matching model for strong gravitational lensing simulation. FlowLensing operates in both discrete and continuous regimes, handling classes such as different dark matter models as well as continuous model parameters ensuring physical consistency. By enabling scalable simulations, our model can advance dark matter studies, specifically for probing dark matter substructure in cosmological surveys. We find that our model achieves a speedup of over 200$\times$ compared to classical simulators for intensive dark matter models, with high fidelity and low inference latency. FlowLensing enables rapid, scalable, and physically consistent image synthesis, offering a practical alternative to traditional forward-modeling pipelines.