论文页面 - 递归流匹配

来源：https://huggingface.co/papers/2605.26535

摘要

递归流匹配（Recursive Flow Matching）能够以更高的精度和速度，对复杂时空动态进行高保真、计算高效的预测，优于现有方法。

生成模型（https://huggingface.co/papers?q=Generative%20models）已成为解决物理系统（https://huggingface.co/papers?q=physics%20systems）和建模复杂时空动力学（https://huggingface.co/papers?q=spatiotemporal%20dynamics）的强大范式。然而，在不增加高计算成本的前提下实现高物理精度仍然是一项基本挑战，因为现有方法面临着关键的速度-保真度权衡。在这项工作中，我们引入了递归流匹配（Recursive Flow Matching，简称RecFM）（https://huggingface.co/papers?q=Recursive%20Flow%20Matching），这是一个用于预测复杂时空动力学（https://huggingface.co/papers?q=spatiotemporal%20dynamics）的生成框架。RecFM通过自一致性（https://huggingface.co/papers?q=self-consistency）来对齐不同离散化尺度下的轨迹，从而减少离散化误差（https://huggingface.co/papers?q=discretization%20errors），并提升基于物理任务的多项指标性能。据我们所知，这是第一个能够在科学系统中实现高保真一步与少步（2-4步）动态生成的方法，其性能可与最先进的多步求解器相媲美。在具有挑战性的科学基准测试中，RecFM相比领先的基于扩散的仿真器（https://huggingface.co/papers?q=diffusion-based%20emulators）实现了高达20倍的加速，同时提高了预测精度。此外，与普通流匹配（https://huggingface.co/papers?q=flow%20matching）相比，RecFM将均方误差降低了超过15%，为实时科学仿真提供了一种可扩展且高效的解决方案。

查看arXiv页面（https://arxiv.org/abs/2605.26535）查看PDF（https://arxiv.org/pdf/2605.26535）项目页面（https://jhhuangchloe.github.io/RecFM/）添加至收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.26535）

在你的agent中获取这篇论文：

hf papers read 2605\.26535

没有最新CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

尚无模型链接此论文

请在模型README.md中引用arxiv.org/abs/2605.26535，以便从此页面链接它。

引用此论文的数据集0

尚无数据集链接此论文

请在数据集README.md中引用arxiv.org/abs/2605.26535，以便从此页面链接它。

引用此论文的Spaces0

尚无Space链接此论文

请在Space README.md中引用arxiv.org/abs/2605.26535，以便从此页面链接它。

包含此论文的收藏集0

尚无收藏集包含此论文

请将此论文添加至一个收藏集（https://huggingface.co/new-collection），以便从此页面链接它。