首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于
智能AI morning

SNAP-FM:用于物理约束生成建模的稀疏非线性加速投影

2026-07-02 1 阅读 约1分钟阅读 Alaina Kolli, Theodoros Xenakis, Utkarsh Utkarsh, Pengfei Cai, Rafael Gomez-Bombarelli, Alan Edelman, Christopher Vincent Rackauckas
分享:
字号:
arXiv:2607.00095v1 公告类型:新 摘要:生成模型已成为物理模拟的可扩展替代品,但它们不能保证其输出遵守控制底层物理的守恒定律、边界条件和非线性不变量。约束采样弥补了这一差距,在推理时精确地强制执行此类约束,无需重新训练,但会产生计算成本:在采样过程中重复投影、校正和轨迹优化步骤,这些步骤对于非线性约束来说变得昂贵。标准机器学习框架加剧了这种情况:它们的密集张量代数和有限的稀疏求解器可组合性掩盖了物理约束自然产生的结构,使得高效的批量非线性优化在实践中难以实现。我们通过利用样本批量处理和局部偏微分方程耦合在投影子问题中引入的结构(即块稀疏雅可比和 KKT 系统)来解决这个瓶颈,使用 ExaModels.jl 公开该结构,并使用 MadNLP.jl 和 GPU 稀疏分解求解所得的稀疏非线性程序。该方法应用于物理约束流匹配 (PCFM),在具有线性、非线性、一维和二维约束的 PDE 基准上,可加速非线性约束投影,同时保持约束满足。这些结果表明稀疏 GPU 非线性优化是科学机器学习中约束生成采样的实用基础。
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱