Metriplectic Conditional Flow Matching for Dissipative Dynamics

Riepilogo Tecnico: Metriplectic Conditional Flow Matching per la Dinamica Dissipativa

Definizione del Problema

L'apprendimento di modelli dinamici direttamente dai dati è essenziale per la previsione, il controllo e la simulazione. Tuttavia, i surrogati neurali puramente non vincolati spesso violano le leggi fisiche fondamentali, in particolare nei sistemi dissipativi dove il comportamento corretto comporta una perdita di energia monotona. I modelli neurali standard non vincolati tendono a iniettare energia, a deviare dalle varietà invarianti e a destabilizzarsi su orizzonti temporali lunghi. Le approcci esistenti affrontano una dicotomia:

1. Penalità morbide/residui informati dalla fisica: Questi incoraggiano il decadimento dell'energia ma non offrono garanzie rigide e sono sensibili agli iperparametri (pesi e dimensioni del passo).
2. Modelli conservativi che preservano la struttura (es. reti Hamiltoniane/Lagrangiane): Questi eccellono nei sistemi chiusi ma non riescono ad affrontare la dissipazione e possono rappresentare erroneamente gli effetti di attrito.

Sebbene i recenti apprendisti basati su flow e diffusione catturino bene le velocità locali da transizioni brevi, le loro parametrizzazioni non vincolate permettono ancora la creazione di energia non fisica durante i rollout prolungati. È necessario un metodo che apprenda dai dati rispettando rigorosamente la scissione conservativo-dissipativa che governa le dinamiche del mondo reale.

Metodologia

Gli autori propongono il Metriplectic Conditional Flow Matching (MCFM), un framework che incorpora la legge fisica della scissione conservativo-dissipativa direttamente nell'architettura del modello e nella procedura di campionamento.

1. Parametrizzazione Metripletica

Il campo vettoriale appreso $v_\theta(x, t)$ è vincolato a una decomposizione metripletica:
$$v_\theta(x, t) = J(x, t) \nabla H_\theta(x, t) - G_\theta(x, t) \nabla \Phi_\theta(x, t)$$
Dove:

• $H_\theta$ è un invariante appreso (quantità simile all'energia).
• $\Phi_\theta$ è un potenziale di dissipazione appreso (es. entropia o funzione di Lyapunov).
• $J$ è un operatore antisimmetrico fisso ($J^\top = -J$).
• $G_\theta$ è una metrica semidefinita positiva ($G_\theta \succeq 0$).

Il modello impone le condizioni di degenerazione ($G_\theta \nabla H_\theta = 0$ e $J \nabla \Phi_\theta = 0$) sia in modo "hard" (per costruzione, limitando i range) che "soft" (tramite penalità). Queste condizioni assicurano che il canale conservativo non possa cambiare il potenziale di dissipazione, e che il canale dissipativo non possa cambiare l'energia. Di conseguenza, le dinamiche in tempo continuo garantiscono $\frac{d}{dt}H_\theta = 0$ e $\frac{d}{dt}\Phi_\theta \leq 0$.

2. Addestramento: Conditional Flow Matching

L'addestramento evita costosi metodi avjunti (adjoint) a lungo rollout. Invece, utilizza il Conditional Flow Matching (CFM) su coppie di dati brevi e consecutive $(x_k, x_{k+1})$ raccolte al passo $\Delta t$.

• L'obiettivo minimizza la perdita di regressione tra il campo vettoriale e la velocità target condizionale $u_\tau = (x_{k+1} - x_k)/\Delta t$.
• La perdita include penalità morbide per le violazioni di degenerazione e termini di regolarizzazione.
• Se un invariante fisico affidabile $E_{phys}$ è noto, $H_\theta$ è fissato a $E_{phys}$ e viene appresa solo la dissipazione; altrimenti, entrambi vengono appresi dai dati.

3. Inferenza: Campionatore che Preserva la Struttura

Per garantire il decadimento dell'energia nel tempo discreto, MCFM impiega uno schema di splitting Strang-prox:

1. Semi-passo Hamiltoniano: Un aggiornamento semplice (es. velocity-Verlet) per la parte conservativa $\dot{x} = J \nabla H_\theta$.
2. Passo Metrico: Un passo prossimale di "contrazione" per la parte dissipativa $\dot{x} = -G_\theta \nabla \Phi_\theta$. Per comuni parametrizzazioni, questo ha una soluzione in forma chiusa che diminuisce monotonicamente il potenziale di dissipazione.
3. Semi-passo Hamiltoniano: Un secondo aggiornamento semplice.

Un eventuale passaggio di proiezione può essere applicato per imporre rigorosamente $\nabla E_{phys} \cdot v \leq 0$ se è disponibile una funzione di energia affidabile.

Contributi Chiave

1. Parametrizzazione "Structure-First": Introduzione di MCFM, che codifica la scissione conservativo-dissipativa per progettazione piuttosto che fare affidamento su regolarizzatori post-hoc.
2. Campionatore che Preserva la Struttura: Accoppiamento del modello con un integratore Strang-prox che garantisce il decadimento dell'energia discreta sotto condizioni moderate.
3. Garanzie Teoriche: Dimostrazioni che collegano la parametrizzazione e il campionatore alla conservazione, alla dissipazione monotona e alla stabilità dei rollout sia in tempo continuo che discreto.

Risultati Empirici

Il metodo è stato valutato su un pendolo smorzato (sistema dissipativo controllato) con coefficienti di smorzamento variabili.

• Baseline: Un campo di velocità neurale non vincolato (UF) addestrato con lo stesso obiettivo CFM e integrato tramite RK4.
• Metriche: Frazione di aumento dell'energia, rapporto di energia massima, rapporto di energia finale, frazione di errore di segno (tassi di energia positivi) e adattamento della distribuzione terminale (Sliced Wasserstein-2).

Risultati:

• Ritratti di Fase: La baseline non vincolata (UF) è rapidamente collassata verso l'origine ed è derivata dai set di livello esterni. MCFM ha seguito la geometria del flusso reale per l'intero orizzonte.
• Evoluzione dell'Energia: Sebbene entrambi i modelli dissipassero inizialmente, l'UF ha mostrato aumenti di energia all'orizzonte tardivo (violando la monotonicità). MCFM ha mantenuto un decadimento fluido e ampiamente monotono con solo piccole oscillazioni.
• Consistenza Fisica: MCFM ha ridotto significativamente la frazione di eventi di aumento dell'energia e gli errori di segno rispetto a UF.
• Adattamento Distribuionale: MCFM ha eguagliato l'adattamento della distribuzione terminale (SW-2) della baseline non vincolata, dimostrando che i vincoli fisici non hanno sacrificato la fedeltà ai dati.

Significato e Rivendicazioni

Il paper sostiene che MCFM fornisca un "sostituto diretto" per i flow neurali non vincolati che produce rollout stabili e fisicamente coerenti senza la necessità di penalità regolate manualmente o addestramenti a lungo orizzonte costosi. Costruendo la scissione conservativo-dissipativa sia nel campo vettoriale che nel campionatore, il metodo garantisce il decadimento dell'energia discreta e l'adesione ai principi fisici. Gli autori posizionano il metodo come un passo verso l'apprendimento di dinamiche dissipative che rispettano le leggi fondamentali che governano i sistemi del mondo reale, colmando il divario tra l'apprendimento basato sui dati e l'integrazione geometrica. Il lavoro futuro è suggerito per parametrizzazioni più ricche, estensioni a PDE e controllo, e garanzie teoriche più strette sul comportamento a lungo orizzonte.