Metriplectic Conditional Flow Matching for Dissipative Dynamics
作者: Ali Baheri, Lars Lindemann
分类: cs.LG, eess.SY
发布日期: 2025-09-23
💡 一句话要点
提出Metriplectic条件流匹配以解决耗散动力学问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 耗散动力学 条件流匹配 神经网络 能量衰减 物理建模 机器人控制 动态系统
📋 核心要点
- 现有的神经网络方法在长时间预测中容易注入能量，导致不稳定性，无法有效学习耗散动力学。
- MCFM通过条件流匹配在短过渡上进行训练，构建保守-耗散分解，避免了长时间预测的伴随计算。
- 在受控机械基准测试中，MCFM的相位图更接近真实值，显著减少了能量增加事件，并匹配终端分布拟合。
📝 摘要（中文）
Metriplectic条件流匹配（MCFM）在不违反第一原则的情况下学习耗散动力学。现有的神经代理通常会注入能量并导致长时间预测的不稳定性；而MCFM则将保守-耗散分解构建到向量场和结构保持采样器中。MCFM通过对短过渡进行条件流匹配进行训练，避免了长时间预测的伴随计算。在推理过程中，Strang-prox方案交替进行辛更新和近端度量步骤，确保离散能量衰减；当有可信的能量可用时，选用投影以强制执行严格衰减。我们提供了连续和离散时间的保证，将这种参数化和采样器与守恒、单调耗散和稳定的预测联系起来。在一个受控机械基准测试中，MCFM的相位图更接近真实值，并且显著减少了能量增加和正能量率事件，同时匹配终端分布拟合。
🔬 方法详解
问题定义：本论文旨在解决现有神经网络在学习耗散动力学时注入能量并导致不稳定性的问题。现有方法在长时间预测中表现不佳，无法有效捕捉耗散特性。
核心思路：MCFM通过条件流匹配在短过渡上进行训练，构建保守-耗散分解，确保在学习过程中不违反物理定律。通过这种方式，MCFM能够在推理时保持能量的衰减特性。
技术框架：MCFM的整体架构包括两个主要模块：一是基于条件流匹配的训练过程，二是推理阶段的Strang-prox方案。训练过程中，模型通过短过渡数据进行优化，而推理阶段则交替进行辛更新和近端度量步骤。
关键创新：MCFM的主要创新在于将保守-耗散分解直接融入到向量场和采样器中，确保了能量的稳定衰减。这一设计与传统方法的本质区别在于避免了能量的注入和不稳定性。
关键设计：在MCFM中，采用了特定的损失函数来优化条件流匹配，并设计了结构保持的采样器。此外，Strang-prox方案中的参数设置确保了能量的离散衰减，必要时通过投影进一步强化这一特性。
🖼️ 关键图片
📊 实验亮点
在受控机械基准测试中，MCFM的相位图与真实值的吻合度显著提高，能量增加事件减少，且正能量率事件明显低于同样表达能力的无约束神经流，展示了其在学习耗散动力学方面的优越性。
🎯 应用场景
该研究在物理系统建模、机器人控制和动态系统模拟等领域具有广泛的应用潜力。通过有效学习耗散动力学，MCFM能够提高系统的稳定性和预测精度，促进智能系统在复杂环境中的应用。
📄 摘要（原文）
Metriplectic conditional flow matching (MCFM) learns dissipative dynamics without violating first principles. Neural surrogates often inject energy and destabilize long-horizon rollouts; MCFM instead builds the conservative-dissipative split into both the vector field and a structure preserving sampler. MCFM trains via conditional flow matching on short transitions, avoiding long rollout adjoints. In inference, a Strang-prox scheme alternates a symplectic update with a proximal metric step, ensuring discrete energy decay; an optional projection enforces strict decay when a trusted energy is available. We provide continuous and discrete time guarantees linking this parameterization and sampler to conservation, monotonic dissipation, and stable rollouts. On a controlled mechanical benchmark, MCFM yields phase portraits closer to ground truth and markedly fewer energy-increase and positive energy rate events than an equally expressive unconstrained neural flow, while matching terminal distributional fit.