大数跨境

物理一致性稳了!PINN+扩散模型,高保真仿真拉满!

物理一致性稳了!PINN+扩散模型,高保真仿真拉满! AI因斯坦
2026-11-16
0
导读:物理信息神经网络与扩散模型的结合正在成为破解复杂物理场生成与逆问题求解的新范式,从高保真流体仿真、材料微观结构

物理信息神经网络与扩散模型的结合正在成为破解复杂物理场生成与逆问题求解的新范式,从高保真流体仿真、材料微观结构生成到物理约束的逆设计,扩散先验与PDE损失的深度耦合持续突破着纯数据驱动模型在物理一致性与样本效率上的瓶颈。


本文从近年顶会顶刊中整理了10篇该方向的最新前沿论文,正在做相关课题的伙伴可以直接下方领取论文及代码(部分包含),不管是快速搭baseline、找创新切口,还是跟最新技术趋势,都能省不少从零摸索的功夫。


长按识别下方二维码,回复【物理扩散】

无偿领全部论文合集及项目代码

92a38dba-6b8f-4d58-b035-681145bed05b.png


Generating Synthetic Net Load Data for Residential Customers With Physics-Informed Diffusion Models

面向住宅用户的物理信息扩散模型合成净负荷数据生成


文章内容

本文针对住宅净负荷数据稀缺与隐私问题,提出物理信息扩散模型PDM。核心思路是将净负荷分解为物理可计算的太阳能发电分量与扩散模型学习的电耗分量:前者调用PVSPM光伏性能模型,输入温度、风速、DHI/GHI及倾角方位角直接生成;后者在去噪网络中融合LSTM时序嵌入、位置编码、多头自注意力与条件PV嵌入。在Pecan Street与London Smart Meter数据集上,PDM在MAE、RMSE、分位数得分、CRPS等六项指标上较BDM、GAN、VAE、NF平均提升超20%,并通过IEEE 13节点潮流与动态承载能力仿真验证了合成数据的工程可用性。


image.png


Physics-Informed Latent Diffusion for Multimodal Brain MRI Synthesis

面向多模态脑MRI合成的物理信息潜在扩散模型


文章内容

本文针对多模态医学合成中模态可用性受限的问题,提出两步式物理信息生成框架。第一步用产品-of-experts多模态变分自编码器,将MPRAGE、自旋回波、FLAIR等已有对比度编码到联合潜在空间,经潜在扩散模型生成未观测的组织属性图(质子密度PD、纵向弛豫T1、横向弛豫T2);第二步将组织属性图输入MR解析信号模型,结合采集参数TE/TR/TI渲染出任意对比度的MRI。在OASIS-3数据集上,模型可生成训练中未出现的对比度组合,且生成的T1/T2分布与真实脑白质、灰质中位数吻合,实现物理一致的跨模态外推。


image.png


PID: Physics-Informed Diffusion Model for Infrared Image Generation

面向红外图像生成的物理信息扩散模型


文章内容

本文针对RGB-to-红外翻译方法仅视为风格迁移、违背热辐射物理的问题,提出物理信息扩散模型PID。作者基于基尔霍夫热辐射定律提出TeV分解方法,将单通道红外图像分解为发射率矩阵e、温度矩阵T与环境反射项V,并用自监督网络N_TeV在无多波段滤光片条件下直接从普通红外相机数据学习分解;训练潜在扩散模型时,除噪声预测损失外额外引入物理重建损失与TeV空间损失,在每个去噪步强制物理一致性。在FLIR与KAIST数据集上,PID较最优RGB-to-红外方法FID分别降低45.14和55.75,生成图像在温度分布与物体热特征上更贴近真实红外数据。


image.png


↓↓听说在下方一键三连的都Accept了🌝

点点赞
点分享
点喜欢

【声明】内容源于网络
0
0
AI因斯坦
人工智能领域论文干货
内容 135
粉丝 0
AI因斯坦 人工智能领域论文干货
总阅读1.7k
粉丝0
内容135