StreamPhy: Streaming Inference of High-Dimensional Physical Dynamics via State Space Models
作者: Panqi Chen, Yifan Sun, Shikai Fang, Xiao Fu, Lei Cheng
分类: cs.LG
发布日期: 2026-05-08
💡 一句话要点
提出StreamPhy框架，利用状态空间模型实现高维物理场动态的实时流式推断
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 物理信息机器学习 状态空间模型 流式推断 函数张量 高维物理场 实时仿真
📋 核心要点
- 现有方法多为离线处理，依赖完整时序观测，且在处理高维物理场时计算开销巨大，难以满足实时推断需求。
- 提出StreamPhy框架，结合数据自适应编码器、结构化状态空间模型与FT-FiLM解码器，实现不规则稀疏数据的实时流式建模。
- 实验证明该方法在多种物理系统下表现优异，准确率提升超48%，推断速度较扩散模型提升20至100倍，显著降低了计算成本。
📝 摘要（中文）
从不规则稀疏测量中实时推断高维多模态（如时空）物理场的演化，是科学与工程领域的核心挑战。现有的扩散生成模型和函数张量方法通常局限于离线设置，依赖完整的时序观测，或面临巨大的推断成本。本文提出了StreamPhy，这是一个端到端框架，能够从传入的不规则稀疏测量中实现全场物理动态的高效、准确流式推断。该框架集成了对任意观测模式具有鲁棒性的数据自适应观测编码器、支持跨不规则时间间隔进行内存高效在线更新的结构化状态空间模型，以及用于连续场生成的表达性函数张量特征线性调制（FT-FiLM）解码器。我们证明了FT-FiLM比函数Tucker模型具有更强的表达能力，能够处理更复杂的动态函数类。在三种代表性物理系统及挑战性采样模式下的实验表明，StreamPhy在准确性上至少提升了48%，且推断速度比扩散模型快20至100倍。
🔬 方法详解
问题定义：论文旨在解决从不规则、稀疏的传感器测量数据中，实时重构高维物理场演化过程的难题。现有方法（如扩散模型或张量分解）通常需要离线批量处理，无法应对实时流式输入，且在处理非均匀采样时表现受限。
核心思路：引入状态空间模型（SSM）作为核心动力学建模引擎，利用其线性时间复杂度的在线更新特性，结合函数张量表示法，实现对连续物理场的实时映射与预测。
技术框架：框架包含三个核心模块：一是数据自适应观测编码器，负责将不规则稀疏输入映射到潜在空间；二是结构化状态空间模型，负责在潜在空间中进行跨时间步的动态演化更新；三是FT-FiLM解码器，通过特征线性调制将潜在状态映射回连续的物理场空间。
关键创新：提出了FT-FiLM（Functional Tensor Feature-wise Linear Modulation）解码器。理论证明其表达能力优于传统的函数Tucker分解，能够捕捉更复杂的物理动态函数类，同时保持了高效的计算特性。
关键设计：利用SSM处理不规则时间间隔，通过隐状态的在线更新避免了对全历史序列的存储需求。FT-FiLM通过调制机制将动态信息注入空间基函数，实现了从低维潜在状态到高维连续场的精确重构。
🖼️ 关键图片
📊 实验亮点
在三种典型物理系统实验中，StreamPhy展现了卓越性能：相比当前最优基线，准确度提升至少48%；在推断效率上，相较于基于扩散模型的生成方法，实现了20至100倍的加速，成功解决了高维物理场建模中精度与实时性难以兼顾的瓶颈。
🎯 应用场景
该研究在气象预测、流体力学仿真、医学影像重建及工业过程监控等领域具有广泛应用价值。通过实现对稀疏传感器数据的实时物理场推断，能够显著提升复杂系统在动态环境下的监测精度与响应速度，为实时科学计算提供高效的AI解决方案。
📄 摘要（原文）
Inferring the evolution of high-dimensional and multi-modal (e.g., spatio-temporal) physical fields from irregular sparse measurements in real time is a fundamental challenge in science and engineering. Existing approaches, including diffusion-based generative models and functional tensor methods, typically operate in offline settings, depend on full temporal observations, or incur substantial inference cost. We propose StreamPhy, an end-to-end framework that enables efficient and accurate streaming inference of full-field physical dynamics from incoming irregular sparse measurements. The framework integrates a data-adaptive observation encoder that is robust to arbitrary observation patterns, a structured state-space model that supports memory-efficient online updates across irregular time intervals, and an expressive Functional Tensor Feature-wise Linear Modulation (FT-FiLM) decoder for continuous-field generation. We prove that FT-FiLM is more expressive than the functional Tucker model, admitting a richer function class for handling complex dynamics. Experiments on three representative physical systems under challenging sampling patterns show that StreamPhy consistently outperforms state-of-the-art baselines, with at least 48\% improvement in accuracy and up to 20--100X faster inference than diffusion-based methods.