Buchumschlag

ProFlow: Zero-Shot Physics-Consistent Sampling via Proximal Flow Guidance

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yu, Zichao, Li, Ming, Zhang, Wenyi, Zou, Difan, Gao, Weiguo
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence Numerical Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Physics-Informed Distillation of Diffusion Models for PDE-Constrained Generation
von: Zhang, Yi, et al.
Veröffentlicht: (2025)

Improving Flow Matching by Aligning Flow Divergence
von: Huang, Yuhao, et al.
Veröffentlicht: (2026)

CFO: Learning Continuous-Time PDE Dynamics via Flow-Matched Neural Operators
von: Hou, Xianglong, et al.
Veröffentlicht: (2025)

Physics-Constrained Flow Matching: Sampling Generative Models with Hard Constraints
von: Utkarsh, Utkarsh, et al.
Veröffentlicht: (2025)

Moving Sampling Physics-informed Neural Networks induced by Moving Mesh PDE
von: Yang, Yu, et al.
Veröffentlicht: (2023)

Recursive Flow Matching
von: Huang, Jiahe, et al.
Veröffentlicht: (2026)

Beyond Loss Guidance: Using PDE Residuals as Spectral Attention in Diffusion Neural Operators
von: Sawhney, Medha, et al.
Veröffentlicht: (2025)

Physics vs Distributions: Pareto Optimal Flow Matching with Physics Constraints
von: Baldan, Giacomo, et al.
Veröffentlicht: (2025)

Critical Sampling for Robust Evolution Operator Learning of Unknown Dynamical Systems
von: Zhang, Ce, et al.
Veröffentlicht: (2023)

Quasi-Random Physics-informed Neural Networks
von: Yu, Tianchi, et al.
Veröffentlicht: (2025)

Towards Faster Matrix Diagonalization with Graph Isomorphism Networks and the AlphaZero Framework
von: Zollicoffer, Geigh, et al.
Veröffentlicht: (2024)

RMFlow: Refined Mean Flow by a Noise-Injection Step for Multimodal Generation
von: Huang, Yuhao, et al.
Veröffentlicht: (2026)

How Do Flow Matching Models Memorize and Generalize in Sample Data Subspaces?
von: Gao, Weiguo, et al.
Veröffentlicht: (2024)

Guided Diffusion Sampling on Function Spaces with Applications to PDEs
von: Yao, Jiachen, et al.
Veröffentlicht: (2025)

Quasi-Framelets: Robust Graph Neural Networks via Adaptive Framelet Convolution
von: Yang, Mengxi, et al.
Veröffentlicht: (2022)

MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation
von: Wang, Qi, et al.
Veröffentlicht: (2025)

Zero Coordinate Shift: Whetted Automatic Differentiation for Physics-informed Operator Learning
von: Leng, Kuangdai, et al.
Veröffentlicht: (2023)

GRAFT: Gradient-Aware Fast MaxVol Technique for Dynamic Data Sampling
von: Jha, Ashish, et al.
Veröffentlicht: (2025)

FlashSinkhorn: IO-Aware Entropic Optimal Transport on GPU
von: Ye, Felix X. -F., et al.
Veröffentlicht: (2026)

Multiscale Graph Neural Network for Turbulent Flow-Thermal Prediction Around a Complex-Shaped Pin-Fin
von: Raut, Riddhiman, et al.
Veröffentlicht: (2025)

Better Neural PDE Solvers Through Data-Free Mesh Movers
von: Hu, Peiyan, et al.
Veröffentlicht: (2023)

SPIKE: Stable Physics-Informed Kernel Evolution Method for Solving Hyperbolic Conservation Laws
von: Su, Hua, et al.
Veröffentlicht: (2025)

V-ABFT: Variance-Based Adaptive Threshold for Fault-Tolerant Matrix Multiplication in Mixed-Precision Deep Learning
von: Gao, Yiheng, et al.
Veröffentlicht: (2026)

AlgoFormer: An Efficient Transformer Framework with Algorithmic Structures
von: Gao, Yihang, et al.
Veröffentlicht: (2024)

Learning from Integral Losses in Physics Informed Neural Networks
von: Saleh, Ehsan, et al.
Veröffentlicht: (2023)

Physics-Informed Inference Time Scaling for Solving High-Dimensional PDE via Defect Correction
von: Fan, Zexi, et al.
Veröffentlicht: (2025)

Robust Non-Linear Correlations via Polynomial Regression
von: Giuliani, Luca, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks for High-Frequency and Multi-Scale Problems using Transfer Learning
von: Mustajab, Abdul Hannan, et al.
Veröffentlicht: (2024)

Robust low-rank training via approximate orthonormal constraints
von: Savostianova, Dayana, et al.
Veröffentlicht: (2023)

Accelerating Eigenvalue Dataset Generation via Chebyshev Subspace Filter
von: Wang, Hong, et al.
Veröffentlicht: (2025)

Accelerating Data Generation for Neural Operators via Krylov Subspace Recycling
von: Wang, Hong, et al.
Veröffentlicht: (2024)

Low-Rank Compression of Pretrained Models via Randomized Subspace Iteration
von: Pourkamali-Anaraki, Farhad
Veröffentlicht: (2026)

Physics-informed fine-tuning of foundation models for partial differential equations
von: Medvedev, Vlad, et al.
Veröffentlicht: (2026)

Accelerated Gradient-based Design Optimization Via Differentiable Physics-Informed Neural Operator: A Composites Autoclave Processing Case Study
von: Patel, Janak M., et al.
Veröffentlicht: (2025)

ELM-DeepONets: Backpropagation-Free Training of Deep Operator Networks via Extreme Learning Machines
von: Son, Hwijae
Veröffentlicht: (2025)

Shape-informed cardiac mechanics surrogates in data-scarce regimes via geometric encoding and generative augmentation
von: Carrara, Davide, et al.
Veröffentlicht: (2026)

Solving PDEs With Deep Neural Nets under General Boundary Conditions
von: Zhang, Chenggong
Veröffentlicht: (2025)

DeepContour: A Hybrid Deep Learning Framework for Accelerating Generalized Eigenvalue Problem Solving via Efficient Contour Design
von: Chen, Yeqiu, et al.
Veröffentlicht: (2025)

Data-Efficient Neural Operator Training via Physics-Based Active Learning
von: Polanska, Alicja, et al.
Veröffentlicht: (2026)

A second-order method landing on the Stiefel manifold via Newton$\unicode{x2013}$Schulz iteration
von: Xiong, Xinhui, et al.
Veröffentlicht: (2026)