PIS: A Generalized Physical Inversion Solver for Arbitrary Sparse Observations via Set Conditioned Flow Matching

📄 arXiv: 2512.13732v2 📥 PDF

作者: Weijie Yang, Xun Zhang, Simin Jiang, Yubao Zhou

分类: cs.LG, cs.AI

发布日期: 2025-12-14 (更新: 2026-02-01)

💡 一句话要点

PIS：基于集合条件流匹配的通用物理反演求解器，适用于任意稀疏观测

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

关键词: 物理反演 流匹配 稀疏观测 偏微分方程 不确定性量化

📋 核心要点

  1. 传统物理反演方法在高维参数估计中面临精度和效率瓶颈，尤其是在观测数据稀疏且不规则时。
  2. PIS框架结合集合条件流匹配与稀疏课程学习，实现从任意传感器数据进行稳定反演，无需大量先验知识。
  3. 实验结果表明，PIS在极端稀疏条件下显著降低误差，并提供不确定性量化，推理速度远超传统方法。

📝 摘要（中文）

本文提出了一种名为物理反演求解器（PIS）的统一框架，用于解决从有限和间接测量中估计受偏微分方程（PDEs）约束的高维物理参数这一高度不适定问题。传统方法在精度和效率方面面临显著瓶颈，尤其是在观测稀疏、不规则采样以及受实际传感器放置约束时。PIS将集合条件流匹配与余弦退火稀疏课程（CASC）相结合，即使在最小的指导下，也能从任意离网传感器实现稳定的反演。通过利用直线路径传输，PIS实现了瞬时推理（50个NFEs），比迭代基线快几个数量级。大量实验表明，在地下特征描述、基于波的特征描述和结构健康监测中，PIS在极端稀疏性（<1%）下可将误差降低高达88.7%，同时为最佳传感器放置提供稳健的不确定性量化。

🔬 方法详解

问题定义：论文旨在解决从稀疏、不规则的物理观测数据中反演高维物理参数的问题，这些参数受到偏微分方程的约束。现有方法，如迭代优化方法，在处理此类问题时，计算成本高昂且精度有限，尤其是在观测数据极度稀疏的情况下。此外，传统方法难以处理任意传感器位置带来的挑战。

核心思路：论文的核心思路是利用流匹配（Flow Matching）模型学习一个从观测数据到物理参数的连续映射。通过训练一个神经网络来近似这个映射，可以实现快速且准确的反演。集合条件流匹配允许模型处理任意位置的传感器数据，而余弦退火稀疏课程（CASC）则有助于模型在稀疏观测下稳定训练。

技术框架：PIS框架主要包含两个核心模块：集合条件流匹配模块和余弦退火稀疏课程模块。集合条件流匹配模块使用一个神经网络来学习从观测数据到物理参数的连续映射，该网络以传感器位置集合作为条件输入。余弦退火稀疏课程模块则通过逐渐增加观测数据的稀疏性来训练模型，从而提高模型在稀疏观测下的鲁棒性。整体流程包括：1) 收集稀疏观测数据；2) 使用集合条件流匹配模块进行反演；3) 使用余弦退火稀疏课程进行训练优化。

关键创新：PIS的关键创新在于将集合条件流匹配与稀疏课程学习相结合，从而实现了从任意稀疏观测数据中进行快速且准确的物理反演。与现有方法相比，PIS无需迭代优化，因此计算效率更高。此外，PIS能够处理任意传感器位置带来的挑战，使其更具通用性。

关键设计：集合条件流匹配模块使用一个神经网络来近似从观测数据到物理参数的连续映射。该网络通常采用U-Net结构，并使用注意力机制来处理传感器位置集合。损失函数通常采用流匹配损失，用于衡量模型预测的向量场与真实向量场之间的差异。余弦退火稀疏课程模块通过逐渐增加观测数据的稀疏性来训练模型，稀疏度按照余弦函数进行退火。具体的网络结构、损失函数和训练策略需要根据具体的物理反演问题进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PIS在地下特征描述、基于波的特征描述和结构健康监测等任务中，在极端稀疏性（<1%）下可将误差降低高达88.7%，并且推理速度比传统迭代方法快几个数量级（50 NFEs）。PIS还提供了稳健的不确定性量化，可用于优化传感器放置。

🎯 应用场景

PIS具有广泛的应用前景，包括地下资源勘探、结构健康监测、无损检测等领域。该方法可以用于从有限的传感器数据中反演地下地质结构、检测桥梁或建筑物的损伤、以及评估材料的内部缺陷。PIS的快速推理能力使其能够应用于实时监测和控制系统，从而提高生产效率和安全性。

📄 摘要（原文）

The estimation of high-dimensional physical parameters constrained by partial differential equations (PDEs) from limited and indirect measurements is a highly ill-posed problem. Traditional methods face significant accuracy and efficiency bottlenecks, particularly when observations are sparse, irregularly sampled, and constrained by real-world sensor placement. We propose the Physical Inversion Solver (PIS), a unified framework that couples Set-Conditioned Flow Matching with a Cosine-Annealed Sparsity Curriculum (CASC) to enable stable inversion from arbitrary, off-grid sensors even under minimal guidance. By leveraging straight-path transport, PIS achieves instantaneous inference (50 NFEs), offering orders-of-magnitude speedup over iterative baselines. Extensive experiments demonstrate that PIS reduces error by up to 88.7% under extreme sparsity (<1%) across subsurface characterization, wave-based characterization, and structural health monitoring, while providing robust uncertainty quantification for optimal sensor placement.