[論文レビュー] Physics-informed diffusion models in spectral space

Davide Gallon, Philippe von Wurstemberger+2 more|arXiv (Cornell University)|Feb 10, 2026

Model Reduction and Neural Networks被引用数 0

ひとこと要約

要旨: 本論文は Physics-Informed Spectral Diffusion (PISD) を提案する。拡散ベースの生成フレームワークで、スケールされたスペクトル潜在空間でパラメトリック PDE を部分観測に条件づけて解く。推論時には物理情報を取り入れたガイダンスを用い、Poisson、Helmholtz、Navier–Stokes 問題に対してベースラインより強い精度と最大で 15 倍高速な推論を達成する。

ABSTRACT

We propose a methodology that combines generative latent diffusion models with physics-informed machine learning to generate solutions of parametric partial differential equations (PDEs) conditioned on partial observations, which includes, in particular, forward and inverse PDE problems. We learn the joint distribution of PDE parameters and solutions via a diffusion process in a latent space of scaled spectral representations, where Gaussian noise corresponds to functions with controlled regularity. This spectral formulation enables significant dimensionality reduction compared to grid-based diffusion models and ensures that the induced process in function space remains within a class of functions for which the PDE operators are well defined. Building on diffusion posterior sampling, we enforce physics-informed constraints and measurement conditions during inference, applying Adam-based updates at each diffusion step. We evaluate the proposed approach on Poisson, Helmholtz, and incompressible Navier--Stokes equations, demonstrating improved accuracy and computational efficiency compared with existing diffusion-based PDE solvers, which are state of the art for sparse observations. Code is available at https://github.com/deeplearningmethods/PISD.

研究の動機と目的

• 部分観測下で前方、逆、再構成PDE問題の動機付けと対処。
• この潜在スペクトル空間での拡散モデルを開発して次元削減を実現。
• Sobolev正則性を保つスケーリングによって拡散過程中のPDE演算子を適切に定義可能にする。
• 推論過程で物理情報と測定制約を組み込み、再構成を改善。

提案手法

• scaled spectral coefficients を用いて関数を表現し、これら係数の有限次元潜在空間で拡散モデルを訓練。
• スペクトルモードの切り捨てでエンコード/デコードを行い、潜在ガウスノイズが制御された正則性を持つ関数に対応することを保証。
• Reverse diffusion 中の PDE 残差と測定制約を課すための Adam ベースのガイダンスを用いた Diffusion Posterior Sampling (DPS)。
• Poisson、Helmholtz、Navier–Stokes 問題の PDE 残差を定式化し、正弦/フーリエ変換を介してスペクトル空間で計算。
• 各拡散ステップでガイダンス項を更新するために Adam 最適化を用いて reverse-time プロセスを離散化・実装。

実験結果

リサーチクエスチョン

• RQ1 スペクトル潜在空間で動作する拡散モデルは PDE パラメータと解の結合分布を正確に学習できるか。
• RQ2 データ駆動のスペクトルスケーリングは Sobolev 正則性を保持し、拡散全体で PDE 演算子を適切に定義できるか。
• RQ3 Adam ベースのガイダンスを用いた物理情報付き推論は、グリッドベースの拡散PDE解法と比較して精度と計算効率にどのような影響を与えるか。
• RQ4 Poisson、Helmholtz、Navier–Stokes の問題全般に対して、正順・逆・結合再構成タスクを含む手法は有効か。

主な発見

• PISD は前方問題の性能で競合し、逆問題および結合再構成タスクでベースラインを上回る。
• 潜在空間の次元削減により推論時間を大幅に短縮（例: Poisson/Helmholtz テストでは 128×128 から 44×44 モードへ）。
• PISD は DiffusionPDE および FunDPS より PDE 残差を大幅に低く抑え、物理制約の適用が優れていることを示す。
• 推論時の Adam ベースのガイダンスは、従来の勾配ベースのガイダンスと比較して安定性と精度を向上させ、特に逆問題で顕著。
• Poisson、Helmholtz、Navier–Stokes の問題全般で、PISD はベースラインの精度と同等またはそれを上回り、3x～15x の高速化を実現する。