Multi-Fidelity Flow Matching: Cascaded Refinement of PDE Solutions

📄 arXiv: 2605.16118v1 📥 PDF

作者: Sipeng Chen, Junliang Liu, Hewei Tang, Shibo Li

分类: cs.LG

发布日期: 2026-05-15

备注: 27 pages, 2 figures, 7 tables. Preprint

💡 一句话要点

提出多重保真度流匹配(MFFM)，用于参数化偏微分方程解的级联优化。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 流匹配 偏微分方程 多重保真度 级联优化 超分辨率

📋 核心要点

  1. 现有方法在求解参数化偏微分方程时，难以兼顾精度和效率，尤其是在高分辨率网格下。
  2. MFFM通过级联优化，利用低保真度解作为条件，并校准源噪声，简化了残差优化问题。
  3. 实验表明，MFFM在超分辨率和时空预测任务上表现出色，仅需少量网络评估即可达到高精度。

📝 摘要（中文）

条件流匹配中的源分布是一个可以根据数据校准的设计参数，而不是默认的各向同性先验。本文利用这一点提出了多重保真度流匹配（MFFM），这是一个用于参数化偏微分方程（PDE）解的级联优化框架：源分布根据经验性的低到高保真度残差尺度进行校准，并使用局部高斯模糊相关性；速度网络以低保真度解为条件。条件化使得残差优化问题比无条件场生成更容易，而残差校准的源噪声改善了流匹配的训练几何。多分辨率级联在相邻保真度之间独立地应用相同的构造。在逐层流匹配预训练之后，我们使用确定性单步展开端到端地微调组合级联，这使得每次查询在每个级联级别进行一次速度评估成为优化的推理操作点。结果是一种学习到的多重网格优化的类似物，每次查询在L次确定性网络评估中达到最佳网格。我们在八个基准上验证了MFFM：两个超分辨率问题和来自PDEBench，The Well和FNO Navier-Stokes数据集的六个时空预测任务。

🔬 方法详解

问题定义：论文旨在解决参数化偏微分方程求解过程中，计算成本高昂，尤其是在需要高精度解时，传统方法难以有效利用低保真度信息加速求解的问题。现有方法要么精度不足，要么计算复杂度过高，无法满足实际应用需求。

核心思路：论文的核心思路是利用多重保真度信息，构建一个级联优化框架。通过将低保真度解作为高保真度解的先验信息，并对残差进行建模和优化，从而实现高效且精确的PDE求解。这种方法借鉴了多重网格法的思想，但通过学习的方式实现，避免了手动设计插值算子的复杂性。

技术框架：MFFM的整体架构是一个多分辨率级联结构。它包含以下几个主要模块：1) 低保真度解生成器：可以是任何现有的PDE求解器或近似模型。2) 残差校准模块：根据低到高保真度残差尺度，使用局部高斯模糊相关性校准源噪声。3) 速度网络：以低保真度解为条件，预测残差。4) 级联优化模块：将多个速度网络串联起来，逐层优化解的精度。在预训练阶段，每个速度网络独立训练。在微调阶段，整个级联网络进行端到端训练。

关键创新：MFFM的关键创新在于：1) 利用条件流匹配，将低保真度解作为条件，显著简化了残差优化问题。2) 提出残差校准的源噪声，改善了流匹配的训练几何。3) 构建多分辨率级联结构，实现了类似多重网格法的优化效果，但通过学习的方式实现，更具灵活性和适应性。4) 通过确定性单步展开进行微调，使得推理阶段的计算成本可控。

关键设计：MFFM的关键设计包括：1) 源噪声的校准方式：使用局部高斯模糊相关性，使得噪声与残差的尺度相匹配。2) 速度网络的结构：可以采用任何合适的神经网络结构，但需要能够以低保真度解为条件，并预测残差。3) 损失函数：在预训练阶段，使用标准的流匹配损失函数。在微调阶段，可以使用任何合适的损失函数，例如均方误差或感知损失。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

MFFM在多个基准测试中表现出色。在超分辨率任务中，MFFM能够生成更高质量的图像，并具有更快的推理速度。在PDEBench、The Well和FNO Navier-Stokes数据集上的时空预测任务中，MFFM也取得了显著的性能提升，证明了其在复杂PDE求解方面的有效性。

🎯 应用场景

MFFM具有广泛的应用前景，包括但不限于：科学计算、工程设计、计算机图形学、图像超分辨率、气候模拟、流体动力学等领域。它可以加速PDE求解过程，提高仿真精度，并降低计算成本，从而为相关领域的研究和应用提供更强大的工具。

📄 摘要（原文）

The source distribution in conditional flow matching is a design parameter that can be calibrated to data, not a default isotropic prior. We exploit this in Multi-Fidelity Flow Matching (MFFM), a cascade refinement framework for parametric PDE solutions: the source is calibrated to the empirical low-to-high-fidelity residual scale with local Gaussian-blur correlation, and the velocity network is conditioned on the low-fidelity solution. Conditioning makes the residual refinement problem substantially easier than unconditional field generation, while residual-calibrated source noise improves the flow-matching training geometry. A multi-resolution cascade applies the same construction independently between adjacent fidelities. After level-wise flow-matching pretraining, we fine-tune the composed cascade end-to-end with a deterministic one-step rollout, which makes one velocity evaluation per cascade level the optimized operating point at inference. The result is a learned analog of multigrid refinement that reaches the finest grid in $L$ deterministic network evaluations per query. We validate MFFM on eight benchmarks: two super-resolution problems and six spatiotemporal forecasting tasks from PDEBench, The Well, and the FNO Navier--Stokes dataset.