Technische Samenvatting: Metriplectic Conditional Flow Matching voor Dissipatieve Dynamica

Probleemstelling

Het leren van dynamische modellen direct uit data is essentieel voor voorspelling, controle en simulatie. Puur neurale surrogaten schenden echter vaak fundamentele natuurkundige wetten, met name in dissipatieve systemen waar het juiste gedrag een monotone energieafname inhoudt. Standaard ongeconstreerde neurale netwerken hebben de neiging om energie te injecteren, af te wijken van invariante manifolds en instabiel te worden over lange tijdshorizonten. Bestaande benaderingen kampen met een dichotomie:

1. Zachte straffen/physics-informed residuen: Deze stimuleren energieverlies, maar bieden geen harde garanties en zijn gevoelig voor hyperparameters (gewichten en stapgrootten).
2. Structuurbehoudende conservatieve modellen (bijv. Hamiltoniaanse/Lagrangiaanse netwerken): Deze blinken uit in gesloten systemen, maar kunnen niet adequaat omgaan met dissipatie en kunnen wrijvingseffecten verkeerd weergeven.

Hoewel recente flow-gebaseerde en diffusie-lerers lokale snelheden goed kunnen vastleggen vanuit korte transities, staan hun ongeconstreerde parametrisaties nog steeds toe dat er tijdens lange rollouts niet-fysische energie wordt gecreëerd. Er is behoefte aan een methode die leert van data terwijl de conservatieve–dissipatieve splitsing die reële dynamica beheerst, strikt wordt afgedwongen.

Methodologie

De auteurs stellen Metriplectic Conditional Flow Matching (MCFM) voor, een framework dat de natuurkundige wet van de conservatieve–dissipatieve splitsing direct in de modelarchitectuur en de bemonsteringsprocedure inbedt.

1. Metriplectic Parametrisatie

Het geleerde vectorveld $v_\theta(x, t)$ wordt beperkt tot een metriplectic decompositie:
$$v_\theta(x, t) = J(x, t) \nabla H_\theta(x, t) - G_\theta(x, t) \nabla \Phi_\theta(x, t)$$
Waarbij:

• $H_\theta$ een geleerde invariante (energie-achtige grootheid) is.
• $\Phi_\theta$ een geleerd dissipatiepotentiaal is (bijv. entropie of Lyapunov-functie).
• $J$ een vaste antisymmetrische operator is ($J^\top = -J$).
• $G_\theta$ een positief semidefinitieve metriek is ($G_\theta \succeq 0$).

Het model dwingt degeneratiecondities af ($G_\theta \nabla H_\theta = 0$ en $J \nabla \Phi_\theta = 0$) ofwel "hard" (door constructie, door bereiken te beperken) ofwel "zacht" (via straftermen). Deze condities zorgen ervoor dat het conservatieve kanaal de dissipatiepotentiaal niet kan veranderen, en dat het dissipatieve kanaal de energie niet kan veranderen. Bijgevolg garandeert de continue-tijd dynamica $\frac{d}{dt}H_\theta = 0$ en $\frac{d}{dt}\Phi_\theta \leq 0$.

2. Training: Conditional Flow Matching

Training vermijdt dure long-rollout adjoint-methoden. In plaats daarvan wordt Conditional Flow Matching (CFM) gebruikt op korte, opeenvolgende dataparen $(x_k, x_{k+1})$ verzameld bij stap $\Delta t$.

• De objectief minimaliseert de regressieverlies tussen het vectorveld en de conditionele doel-snelheid $u_\tau = (x_{k+1} - x_k)/\Delta t$.
• De loss bevat zachte straffen voor degeneratie-schendingen en regularisatietermen.
• Indien een betrouwbare fysische invariante $E_{phys}$ bekend is, wordt $H_\theta$ gefixeerd op $E_{phys}$ en wordt alleen de dissipatie geleerd; anders worden beide geleerd uit de data.

3. Inferentie: Structuurbehoudende Sampler

Om discrete-tijd energieafname te waarborgen, gebruikt MCFM een Strang-prox splitting schema:

1. Hamiltoniaanse halfstap: Een symplectische update (bijv. velocity-Verlet) voor het conservatieve deel $\dot{x} = J \nabla H_\theta$.
2. Metrische stap: Een proximale "shrink" stap voor het dissipatieve deel $\dot{x} = -G_\theta \nabla \Phi_\theta$. Voor veelvoorkomende parametrisaties heeft dit een gesloten vorm oplossing die de dissipatiepotentiaal monotoon verlaagt.
3. Hamiltoniaanse halfstap: Een tweede symplectische update.

Een optionele projectiestap kan worden toegepast om $\nabla E_{phys} \cdot v \leq 0$ strikt af te dwingen als een betrouwbare energiefunctie beschikbaar is.

Belangrijkste Bijdragen

1. Structure-First Parametrisatie: Introductie van MCFM, die de conservatieve–dissipatieve splitsing ontwerpt door middel van de architectuur in plaats van te vertrouwen op post-hoc regularisaties.
2. Structuurbehoudende Sampler: Koppeling van het model aan een Strang-prox integrator die onder milde condities discrete energieafname garandeert.
3. Theoretische Garanties: Bewijzen die de parametrisatie en de sampler koppelen aan conservatie, monotone dissipatie en stabiele rollouts in zowel continue als discrete tijd.

Empirische Resultaten

De methode werd geëvalueerd op een gedempte pendel (gecontroleerd dissipatief systeem) met variërende dempingscoëfficiënten.

• Baseline: Een ongeconstreerd neuraal snelheidveld (UF) getraind met dezelfde CFM-objectief en geïntegreerd via RK4.
• Metrieken: Energie-toename fractie, maximale energieratio, finale energieratio, tekenfout-fractie (positieve energieraten) en terminale distributie-fit (Sliced Wasserstein-2).

Bevindingen:

• Faseportretten: De ongeconstreerde baseline (UF) stortte snel in richting de oorsprong en drift weg van de buitenste level sets. MCFM volgde de geometrie van de ware flow gedurende de volledige horizon.
• Energie-evolutie: Hoewel beide modellen aanvankelijk energie dissipeerden, vertoonde UF late-horizon energie-toenames (schending van monotoniciteit). MCFM behield een vloeiende, grotendeels monotone afname met slechts kleine oscillaties.
• Fysische Consistentie: MCFM reduceerde het aantal gebeurtenissen met energie-toename en tekenfouten aanzienlijk vergeleken met UF.
• Distributie-fit: MCFM kwam overeen met de terminale distributie-fit (SW-2) van de ongeconstreerde baseline, wat aantoont dat fysische restricties de data-getrouwheid niet hebben opgeofferd.

Betekenis en Claims

Het artikel claimt dat MCFM een "drop-in replacement" biedt voor ongeconstreerde neurale flows die stabiele, fysisch consistente rollouts produceert zonder de noodzaak voor handmatig afgestemde straffen of dure training over lange horizonten. Door de conservatieve–dissipatieve splitsing in zowel het vectorveld als de sampler te bouwen, zorgt de methode voor discrete energieafname en naleving van fysische principes. De auteurs positioneren dit als een stap naar het leren van dissipatieve dynamica die de fundamentele wetten respecteert die reële systemen beheersen, waarbij de kloof tussen data-gedreven leren en geometrische integratie wordt overbrugd. Toekomstig werk suggereert rijkere parametrisaties, uitbreidingen naar PDE's en controle, en strakkere theoretische garanties voor gedrag over lange horizonten.