Résumé Technique : Champs Vectoriels Guidés par la Logique pour la Modélisation Générative Contrainte

1. Énoncé du Problème

Les modèles génératifs sont de plus en plus déployés comme mécanismes de proposition en robotique, en planification et en conception, où les sorties doivent satisfaire des contraintes explicites du domaine (par exemple, règles de sécurité, faisabilité physique). Cependant, les pipelines génératifs standards, en particulier les modèles en temps continu comme l'Appariement de Flux (Flow Matching), sont largement « aveugles aux contraintes ». Bien que ces modèles apprennent à transporter la masse de probabilité d'une distribution de base vers une distribution cible, ils dirigent souvent les trajectoires à travers des régions interdites durant le processus de génération, même si la distribution cible finale réside entièrement dans l'ensemble valide.

Les contournements existants, tels que l'échantillonnage par rejet, la projection ou le guidage heuristique, souffrent de limitations significatives :

• L'échantillonnage par rejet devient computationnellement impraticable lorsque les régions réalisables sont petites.
• La projection peut déformer les échantillons et échoue lorsque les contraintes sont non convexes ou déconnectées.
• Les méthodes de guidage standard (par exemple, le guidage par classifieur) offrent un contrôle souple mais ne garantissent pas la satisfaction des contraintes.
• L'application aux seuls points extrêmes est insuffisante car la trajectoire de génération elle-même peut traverser des régions invalides, entraînant des défaillances rares mais critiques dans des contextes à sécurité critique.

Le défi central abordé consiste à intégrer des contraintes logiques et géométriques dans les modèles génératifs par appariement de flux afin d'améliorer la validité sans sacrifier la qualité des échantillons ni la fidélité distributionnelle.

2. Méthodologie : Champs Vectoriels Guidés par la Logique (LGVF)

Les auteurs proposent les Champs Vectoriels Guidés par la Logique (LGVF), un cadre neuro-symbolique qui intègre directement des contraintes symboliques dans la dynamique générative de l'appariement de flux. Le cadre suppose que les contraintes sont spécifiées sous forme de prédicats logiques $\phi(x)$ avec des relaxations différentiables (fonctions de violation) $\ell_{logic}(x) \geq 0$, où $\ell_{logic}(x) = 0$ si et seulement si la contrainte est satisfaite.

LGVF opère via deux mécanismes complémentaires :

A. Perte Logique en Phase d'Entraînement

L'appariement de flux standard apprend un champ vectoriel $v_\theta(x, t)$ pour minimiser la distance entre la vitesse apprise et la vitesse conditionnelle $x_1 - x_0$ le long de trajectoires en ligne droite. LGVF l'enrichit d'une perte logique au niveau de la trajectoire. Au lieu de vérifier la validité uniquement au point final, le modèle pénalise les violations de contraintes aux états intermédiaires $x_t$ le long de la trajectoire de flux.

L'objectif total est :
$$\mathcal{L}_{LGVF}(\theta) = \mathcal{L}_{FM}(\theta) + \mathbb{E}_{t, x_0, x_1} [\lambda(t) \cdot \ell_{logic}(x_t)]$$

• $\mathcal{L}_{FM}$ : Perte standard d'appariement de flux.
• $\lambda(t) = \lambda_{max} \cdot t^\alpha$ : Un calendrier de pondération dépendant du temps. Cela reflète la géométrie de l'appariement de flux : à $t \approx 0$, les échantillons sont proches de la distribution de base où les violations peuvent être inévitables ; à $t \approx 1$, les échantillons approchent la cible où les contraintes doivent strictement tenir.
• Effet : Cela encourage le champ vectoriel appris à découvrir des chemins courbes qui contournent les régions interdites plutôt que de les traverser.

B. Ajustement Logique en Phase d'Inférence

Le guidage durant l'entraînement seul ne peut garantir zéro violation, en particulier pour des géométries complexes. LGVF introduit une correction légère basée sur le gradient durant l'échantillonnage (intégration d'EDO). Le champ vectoriel est modifié en soustrayant le gradient de la contrainte :
$$\tilde{v}(x_t, t) = v_\theta(x_t, t) - \eta(t) \cdot \nabla_x \ell_{logic}(x_t)$$

• Mécanisme : Le terme $-\nabla_x \ell_{logic}(x_t)$ pointe vers la décroissance la plus raide de la violation, poussant la trajectoire vers des régions valides.
• Calendrier : La force d'ajustement $\eta(t)$ est nulle pour les premiers temps ($t \leq t_0$) et augmente de manière quadratique pour $t > t_0$ (par exemple, $t_0 = 0.3$). Cela garantit que la correction agit comme un raffinement « du dernier kilomètre » sans déstabiliser l'intégration ni altérer significativement la distribution apprise.

3. Contributions Clés

1. Identification d'un Vide : L'article démontre que le transport par flux non contraint peut traverser des régions interdites même lorsque la distribution cible est entièrement valide, soulignant l'insuffisance de l'application aux seuls points extrêmes.
2. Cadre LGVF : Une méthode novatrice intégrant des contraintes symboliques dans l'appariement de flux via une approche en deux étapes :
   • Une perte logique en phase d'entraînement qui pénalise les violations le long des trajectoires de flux continues.
   • Un ajustement de gradient en phase d'inférence qui oriente l'échantillonnage loin des violations de contraintes.
3. Comportement Émergent : La méthode produit des champs vectoriels conscients des contraintes qui exhibent un comportement émergent d'évitement d'obstacles, contournant les régions interdites sans planification de chemin explicite.
4. Validation Empirique : Évaluation complète sur des contraintes linéaires, non linéaires et multi-régions, démontrant des améliorations constantes de la validité avec un impact minimal sur la qualité des échantillons.

4. Résultats Expérimentaux

Les auteurs ont évalué LGVF sur trois études de cas en 2D et une étude de mise à l'échelle en haute dimension :

• Étude de Cas 1 (Demi-plan Linéaire) : LGVF + Ajusté a réduit les taux de violation de 82 % (de 2,2 % à 0,4 %) par rapport à l'Appariement de Flux standard.
• Étude de Cas 2 (Anneau Non Linéaire) : LGVF + Ajusté a réduit les violations de 79 % (de 5,65 % à 1,20 %), gérant efficacement les contraintes des frontières intérieure et extérieure.
• Étude de Cas 3 (Multi-Obstacles) : Dans ce cadre complexe et non convexe, la perte logique en phase d'entraînement seule a légèrement augmenté les violations en raison du paysage de perte difficile. Cependant, l'ajustement en phase d'inférence a compensé avec succès, réduisant les violations de 59 % (de 1,7 % à 0,7 %).
• Étude de Cas 4 (Mise à l'Échelle en Haute Dimension) : Dans les dimensions $d \in \{10, 25, 50, 100\}$, les violations de l'Appariement de Flux standard ont augmenté de manière significative (jusqu'à 14,8 % à $d=100$). LGVF + Ajusté a maintenu des taux de violation proches de zéro (0,0 %–0,4 %) sur toutes les dimensions.

Compromis :

• Dans les configurations linéaires et en anneau, LGVF a amélioré à la fois la validité et la fidélité distributionnelle (mesurée par MMD).
• Dans la configuration multi-obstacles, un compromis satisfaction–fidélité a été observé : bien que la faisabilité se soit améliorée, le MMD a légèrement augmenté, indiquant une déviation par rapport à la forme de la distribution cible.

Études d'Ablation :

• Des poids plus forts en phase d'entraînement ($\lambda_{max}$) ont réduit les violations de manière monotone.
• Le guidage en phase d'entraînement et l'ajustement en phase d'inférence sont complémentaires : la combinaison des deux a produit les meilleurs résultats (0,02 % de violation contre 0,50 % pour la ligne de base), surpassant chaque composant pris isolément.

5. Importance et Revendications

L'article revendique que LGVF fournit un mécanisme fiable pour faire respecter les contraintes dans la modélisation générative sans nécessiter de planification de chemin explicite ni d'échantillonnage par rejet coûteux. En couplant la mise en forme globale du transport (via la perte d'entraînement) avec une correction locale (via l'ajustement d'inférence), le cadre atteint une satisfaction robuste des contraintes à travers des géométries diverses.

Les auteurs positionnent LGVF comme une étape vers la viabilité des modèles génératifs pour des applications à sécurité critique où la validité est non négociable. Ils reconnaissent les défis restants, notamment l'extension de la méthode à des données complexes en haute dimension (par exemple, images, molécules), l'amélioration de la robustesse sous des paysages hautement non convexes, et l'analyse plus approfondie du compromis satisfaction–fidélité. Le travail ne revendique pas de résoudre tous les problèmes de génération contrainte, mais offre une approche évolutive et différentiable qui surpasse significativement les lignes de base standards dans les contextes testés.