Physikbasierte Konsistenzmodelle stabilisiert – Trainingsmethode senkt Rechenaufwand

Ein neues Framework für die Lösung partieller Differentialgleichungen (PDEs) nutzt physikbasierte Konsistenzmodelle, um in wenigen Schritten hochpräzise generative Inferenz zu ermöglichen. Durch die Einbindung physikalischer Constraints kann das Modell die zugrunde liegende Datenverteilung effizient lernen und gleichzeitig die physikalische Konsistenz sicherstellen.

Die Autoren identifizieren ein zentrales Stabilitätsproblem: PDE-Residuumswerte können das Modell dazu treiben, trivialen oder degenerierten Lösungen zu folgen, was die Qualität der erlernten Verteilung stark beeinträchtigt. Um diesem Problem entgegenzuwirken, führen sie eine strukturbewahrende, zweistufige Trainingsstrategie ein.

Im ersten Schritt wird die Verteilungslernphase von der physikbasierten Feinabstimmung getrennt, indem der Koeffizienten-Decoder während des Fine‑Tuning eingefroren wird. Dadurch bleibt die generative Struktur erhalten, während die physikalischen Constraints separat optimiert werden.

Der zweite Schritt nutzt ein zweistufiges Residualziel, das die physikalische Konsistenz auf verfeinerte, strukturell gültige generative Trajektorien anwendet, anstatt auf verrauschte Ein-Schritt-Vorhersagen. Diese Vorgehensweise verhindert, dass das Modell auf fehlerhafte Zwischenstände zurückgreift.

Das Ergebnis ist ein stabiles, hochpräzises Inferenzverfahren, das sowohl für unbedingte Generierung als auch für Vorwärtsprobleme einsetzbar ist. Durch eine projektionbasierte Zero‑Shot‑Inpainting‑Methode lassen sich Vorwärtslösungen erhalten, die die Genauigkeit von Diffusionsbasen erreichen, jedoch mit einer um Größenordnungen geringeren Rechenkosten.