Neue Methode D-Flow SGLD: Quelle für posterior Sampling in wissenschaftlichen Inverseproblemen

Wissenschaftliche Inverseprobleme erfordern die Rekonstruktion hochdimensionaler physikalischer Zustände aus spärlichen und verrauschten Messungen. Dabei ist es entscheidend, Unsicherheitsinformationen in posterioren Stichproben zu berücksichtigen, die gleichzeitig die erlernten Priors und die zugrunde liegenden physikalischen Gesetze respektieren.

Während training‑freie Konditionierung bei Diffusionsmodellen gut erforscht ist, bleiben vergleichbare Strategien für Flow‑Matching‑Priors noch relativ unerforscht. Insbesondere bei wissenschaftlichen Benchmarks muss die Genauigkeit über die reine Messabweichung hinaus bewertet werden.

In der vorliegenden Arbeit untersuchen die Autoren training‑freie Konditionierung unter Flow‑Matching‑Priors und gliedern bestehende Inferenzstrategien nach dem Punkt, an dem Messinformationen eingebracht werden: (i) guidierte Transportdynamiken, die Sampling‑Trajektorien mithilfe von Likelihood‑Informationen perturbieren, und (ii) Quelle‑Verteilungsinferenz, die die Posterior‑Inferenz über die Quellvariable durchführt, während die Transportdynamik unverändert bleibt. Aufbauend auf letzterem stellen sie D‑Flow SGLD vor – eine Quelle‑raum‑basierte Posterior‑Sampling‑Methode, die differenzierbare Quellinferenz mit vorbedingungenstypischer stochastischer Gradient‑Langevin‑Dynamik kombiniert. Dadurch lässt sich der Quellposterior, der durch neue Messoperatoren entsteht, skalierbar erkunden, ohne das Prior oder die Flow‑Matching‑Dynamik neu zu trainieren.

Die Autoren benchmarken repräsentative Methoden aus beiden Familien auf einer Hierarchie von Problemen: 2‑D‑Toy‑Posterioren, chaotische Kuramoto‑Sivashinsky‑Trajektorien und die Rekonstruktion von wall‑bounded Turbulenz. In allen Fällen zeigt D‑Flow SGLD eine robuste Leistung und liefert posterioren Stichproben, die sowohl die Messdaten als auch die physikalische Konsistenz widerspiegeln.

Die Ergebnisse unterstreichen, dass D‑Flow SGLD ein vielversprechender Ansatz für training‑freie Posterior‑Sampling in wissenschaftlichen Inverseproblemen ist. Durch die Kombination von Quellinferenz und stochastischer Gradient‑Langevin‑Dynamik ermöglicht die Methode eine effiziente und skalierbare Exploration der Posterior‑Verteilung, ohne dass das Prior neu trainiert werden muss.