🔬 physics

Stochastic and Non-local Closure Modeling for Nonlinear Dynamical Systems via Latent Score-based Generative Models

本文提出了一种潜在分数生成式人工智能框架，该框架通过将卷积自编码器与条件扩散模型进行联合训练，以高效学习非线性动力系统的随机、非局部闭合律，在保持与标准物理空间扩散模型相当的预测准确性的同时，实现了显著的计算加速。

原作者： Xinghao Dong, Huchen Yang, Jin-Long Wu

发布于 2026-06-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Xinghao Dong, Huchen Yang, Jin-Long Wu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大问题：陷入“细节过多”的陷阱

想象一下，你正试图预测整个城市的降雨情况。为了做到完美，你需要追踪每一颗空气分子、每一滴水珠和每一阵微风。在物理学和工程学领域，这被称为“解析所有尺度”（resolving all scales）。

问题在于，这对计算机来说是不可能完成的任务。这就像是为了预测潮汐而去数清沙滩上的每一粒沙子一样；超级计算机可能需要花费数百万年才能完成这项计算。

为了解决这个问题，科学家们使用了“闭合模型”（closure models）。你可以把闭合模型看作是一个捷径。与其追踪每一粒沙子，你只需要追踪大波浪，并使用一种经验法则来推测微小涟漪的行为。

旧方法与新问题

长期以来，这些捷径一直是确定性的（它们总是给出完全相同的答案）且局部的（它们只关注紧邻自身发生的事情）。

缺陷： 现实世界的系统（如湍流中的水或空气）是混乱的。它们充满了随机性和长距离的关联性（这里的涟ctions可能会影响数英里外的波浪）。旧的捷径过于僵化，无法捕捉到系统的“混沌”或“远程八卦”。

最近，科学家开始使用 AI 来修复这个问题。具体来说，他们使用了一种叫做扩散模型（Diffusion Model）的 AI。

类比： 想象一张模糊的照片逐渐变得清晰。扩散模型的工作原理正好相反：它从纯粹的静态噪声（static）开始，通过不断“去噪”，最终揭示出缺失的物理细节。这非常出色，因为它能完美捕捉随机性和长程效应。

但问题在于： 这个 AI 极其缓慢。它必须经过成千上万个微小的步骤，才能将静态噪声转化为图像。如果你尝试用这个 AI 逐步进行天气模拟，你的电脑会直接卡死。这就像是试图为电影中的每一帧画面都亲手绘制一幅杰作，那样的话，电影永远也拍不完。

解决方案：“潜空间”捷径

该论文的作者提出了一个聪明的两步走方案，旨在让 AI 既快速又准确。

1. 压缩（自动编码器/Autoencoder）

首先，他们构建了一个“压缩器”（Autoencoder）。

类比： 想象你有一个巨大的、高清的 4K 电影文件。它体积庞大且难以传输。于是你将其压缩成一个极小的、低分辨率的缩略图。
在论文中： 他们将复杂的、高分辨率的物理数据压缩成一个微小的、低维度的“潜空间”（latent space，即压缩后的摘要）。AI 不需要处理那个巨大的 4K 文件，它只需要处理这个微小的缩略图。

2. 生成器（扩散模型/Diffusion Model）

接下来，他们训练扩散模型仅在这些微小的缩略图上进行工作。

类比： AI 不再逐帧绘制整部 4K 电影，而只是绘制那个微小的缩略图。一旦缩略图变得完美，他们再将其“解压缩”回 4K 电影。
结果： 由于 AI 是在微小的缩略图上进行操作，它的速度比处理完整电影快了 10 倍，但依然能产生高质量的结果。

核心秘诀：“联合训练”（Joint Training）

这正是该论文取得重大突破的地方。

通常，科学家会将此过程分为两个独立的阶段：

阶段 A： 训练压缩器以制作出最好的缩略图。
阶段 B： 训练 AI 根据该压缩器来生成缩略图。

问题在于： 最适合“节省空间”的缩略图，并不一定是生成新图像的最佳缩略图。这就像是一张照片在广告牌上看起来很棒，但当你试图把它当作拼图碎片使用时，它的边缘并不符合 AI 的需求。由于“缩略图”的形状对 AI 而言过于古怪，AI 很难学习其中的规则。

创新点： 作者将压缩器和 AI 进行联合训练（Joint Training）。

类比： 与其让摄影师和画家在各自独立的房间里工作，不如让他们坐在同一张桌子旁。摄影师学会了专门拍摄那些“易于”让画家进行创作的照片，而画家也学会了专门绘制这些特定的照片。
结果： 这个“缩略图”（潜空间）现在针对“压缩”和“生成”都进行了完美的调优。AI 学习规则的速度更快，也犯更少的错误。

结果：速度与精度兼得

团队在模拟旋转流体（湍流）的过程中测试了该方法。

准确度： 新方法产生的结果与缓慢的、全尺寸的 AI 一样准确。它完美地捕捉到了随机性和宏观模式。
速度： 由于是在“压缩”空间内工作，他们实现了 10 倍的加速。
不确定性： 至关重要的一点是，该模型不仅仅给出一个答案，它还给出了一个可能的范围（一个系综/ensemble）。这使得科学家可以得出结论，例如：“有 90% 的概率风暴会朝这个方向移动”，这对于安全保障和规划至关重要。

总结

本论文介绍了一种建模复杂、混沌系统（如湍流）的新方法，其流程如下：

将数据压缩成一个微小的摘要。
使用扩散 AI 在该摘要内生成缺失的物理特性。
将压缩器与 AI 进行联合训练，使它们能够完美协作。

这使得科学家能够运行比以往快 10 倍的模拟，同时不会损失理解现实世界复杂混沌现象所需的准确度。

技术摘要：基于潜在分数生成模型的随机与非局部闭合建模

问题陈述
计算力学通常处理复杂的非线性动力系统，例如湍流，其中显式解析所有相关尺度在计算上是极其昂贵的。传统的闭合建模方法（如 RANS、LES）依赖于确定性和局部的假设来近似亚网格尺度的现象。然而，对于缺乏清晰尺度分离的系统，这些假设往往过于严格，无法捕捉不确定性、机制转变以及非局部空间相关性。虽然最近生成式人工智能（特别是扩散模型）的进展为通过将闭合项视为随机对象来实现随机和非局部闭合建模提供了一个充满前景的框架，但其在实际应用中受到计算推理成本过高的限制。标准的扩散模型在每个时间步都需要进行数百到数千次网络评估，这使得将其集成到需要在每一步都进行闭合项评估的数值模拟中变得难以实现。

方法论
作者提出了一个**潜在条件扩散模型（Latent Conditional Diffusion Model, L-CDM）**框架，以解决计算效率与生成精度之间的权衡问题。该方法由三个核心部分组成：

潜在空间公式化： 该框架采用卷积自编码器将高维物理场（系统状态 $V$ 和闭合项 $U$ ）压缩为低维潜在表示（ $z_V$ 和 $z_U$ ）。这种降维对于降低反向采样过程的计算成本至关重要。
非局部建模： 为了捕捉复杂系统中固有的长程空间依赖性，潜在空间内的分数函数 $s_\theta$ 使用**傅里叶神经算子（Fourier Neural Operator, FNO）**构建。FNO 在傅里叶域内执行学习到的卷积，从而确保全局感受野。此外，自编码器架构结合了深层层次结构和显式的自注意力模块，以进一步建模非局部相互作用。
联合训练策略： 该方法的一个关键创新是从传统的两阶段训练流水线（分别训练自编码器和扩散模型）转向端到端联合优化方案。
- 传统方法： 自编码器仅以最小化重构误差为目标进行训练，这往往导致生成的潜在空间难以被扩散模型有效地采样。
- 提议方法： 自编码器和潜在扩散模型通过一个复合损失函数进行同步训练： $L_{joint} = L_{AE} + \lambda_{score} L_{score} + \lambda_{KL} L_{KL}$ $L_{j o in t} = L_{A E} + λ_{scor e} L_{scor e} + λ_{K L} L_{K L}$ 。
  - $L_{AE}$ 确保物理场的忠实重构。
  - $L_{score}$ 训练扩散模型以匹配条件分布 $p(z_U | z_V)$ 。
  - $L_{KL}$ （Kullback-Leibler 散度）作为正则项，用于防止潜在空间坍缩，确保潜在分布具有足够的随机性和非退化性。

采样过程利用自适应时间步长方案（Euler-Maruyama 集成）来进一步加速潜在空间内的反向扩散过程。

主要贡献

潜在扩散框架： 本文引入了一种随机闭合建模框架，该框架将高维场映射到潜在流形，并在该流形上进行条件 Langevin 采样，从而实现了比物理空间扩散模型高出几个数量级的推理速度。
联合优化： 作者证明了标准的两阶段训练流水线会损害闭合项生成的准确性。他们提出的联合训练方案协调了重构目标与分数匹配目标，在保持潜在空间采样效率的同时，显著提高了生成精度。
非局部随机建模： 通过在潜在扩散架构中集成 FNO 和注意力机制，该框架能够有效捕捉确定性局部模型所缺失的非局部空间依赖性和随机行为。

数值结果
该框架在受随机纳维-斯托克斯方程支配的二维 Kolmogorov 流上进行了评估，其目标是模拟未知的随机非线性对流项。

精度与效率：
- 物理空间基准（P-CDM）： 实现了高精度，但生成 1,000 个样本需要约 2.64 秒。
- 两阶段潜在模型： 实现了 5.5 倍的加速（约 0.48 秒），但与物理空间基准相比，出现了显著的精度下降（更高的 MSE 和相对 Frobenius 范数误差）。
- 联合训练潜在模型（Joint L-CDM）： 在实现约 5.4 倍加速（约 0.49 秒）的同时，保持了与物理空间基准相当的预测精度。联合训练纠正了两阶段方法中观察到的分布偏差。
系综模拟： 当集成到数值求解器中进行 20 秒的模拟时，Joint L-CDM 实现了相对于 P-CDM 的 ~10 倍计算加速（1,236s 对比 8,652s），同时在系综模拟中保持相对误差低于 10%。
不确定性量化： 该模型不仅成功重现了平均解析动力学，还成功捕捉了闭合项的内在不确定性（标准差）的空间结构和量级，在捕捉物理方差方面优于确定性方法和两阶段潜在模型。
谱分析： 能量谱分析显示，Joint L-CDM 在波数达到 $10^2$ 量级时仍能紧密匹配地面真值（ground truth），保留了二维湍流的向前恩斯特罗菲级联（forward enstrophy cascade）特性。

意义与主张
本文声称，这项工作弥合了生成式人工智能的表示表达能力与实际科学计算所需的计算可行性之间的鸿沟。通过联合优化潜在表示和生成模型，作者证明了在不牺牲预测精度的前提下，实现随机闭合建模中数量级的计算加速是可能的。这使得对于此前计算成本极高的复杂动力系统进行大规模、基于系综的不确定性量化变得切实可行。作者指出，虽然该框架在架构上可扩展至 3D 系统，但主要的挑战仍然在于高保真 3D 数据的计算成本，这进一步强调了潜在空间方法的必要性。他们同时也承认，对分布外数据（例如极端事件）的敏感性仍是未来研究的一个领域。