Sparsely-Supervised Data Assimilation via Physics-Informed Schrödinger Bridge¶

会议: NeurIPS 2026
arXiv: 2603.22319
OpenReview: https://openreview.net/forum?id=6WETopIg2t
领域: 物理
关键词: 数据同化, 薛定谔桥, 物理信息神经网络, 多保真度重建, 偏微分方程

一句话总结¶

针对偏微分方程系统中高保真数据全场监督不可得的瓶颈，提出物理信息条件薛定谔桥（PICSB），通过静态代理端点周期性刷新与全程硬观测投影，仅利用物理方程残差训练传输流，实现无需测试时优化的亚秒级高保真场同化重建。

研究背景与动机¶

在天气数值预报、海洋动力学模拟以及水文实时监测等典型科学计算场景中，从稀疏传感器观测中精确恢复高分辨率时空场（即数据同化，Data Assimilation, DA）是理解复杂流体演化的核心前提。传统基于偏微分方程（PDE）的高精度数值模拟计算开销极大，难以满足快速更新与时间敏感型任务的需求；工业界与科研人员因而广泛依赖低保真度（LF）物理模型或粗网格插值作为先验代理。然而，低保真先验往往存在不可避免的系统性物理偏差，如何在有限且空间稀疏的高保真（HF）观测约束下，消除低保真先验的系统性偏差并重构出严格满足物理控制方程的全场高保真状态，构成了多保真度数据同化的关键瓶颈。

现有求解范式在计算时延与数据可用性上陷入了两难困境。一方面，以物理信息神经网络（PINNs）和伴随法（Adjoint methods）为代表的基于实例的测试时优化方法，针对每一个新测试样本都需要从零开始联合求解观测拟合项与物理残差惩罚项，单次推理往往耗时数小时，完全无法落地于在线同化循环；另一方面，近期兴起的分摊重建（Amortized reconstruction）扩散模型与流匹配方法虽然推断效率更高，但几乎全部依赖全网格的高保真场作为训练监督标签，而在实际物理与工程实验中，全场连续高保真标签本身就是不可获取的奢求。此外，主流条件扩散模型在推理时高度依赖数百至上千步的采样轨迹，并需在每一步反复反向传播计算观测与物理残差的梯度引导，推理延迟仍达分钟级，且极易导致梯度噪声放大与结构漂移。

薛定谔桥（Schrödinger Bridge, SB）理论天然契合将有偏的低保真先验分布最优传输至真实后验分布的物理几何，相比从非结构化高斯白噪声出发的标准扩散过程能以显著更少的步数收敛。然而，传统薛定谔桥匹配必须依赖成对的完整端点样本来构建参考测度，这与仅能获取稀疏观测的实际物理场景相违背。本文的核心 idea 是：将稀疏高保真观测下的偏微分方程数据同化建模为从低保真先验向条件后验传输的条件薛定谔桥，通过“静态代理网络周期性刷新生成无监督端点”构建桥参考分布，在采样全程采用硬投影强约束观测值，并仅依赖偏微分方程物理残差直接优化可训练速度网络，实现无需全场高保真监督、无需测试时优化的亚秒级零样本场重建。

方法详解¶

整体框架¶

PICSB 的核心定位是构建一个分摊式条件随机传输映射：给定离散全网格上的低保真先验场 $X_0 \in \mathbb{R}^n$ 以及稀疏高保真传感器观测 $Y = \mathcal{H}(X_1) \in \mathbb{R}^m$（$m \ll n$），模型通过控制扩散过程在有限的桥时间 $\tau \in [0, 1]$ 内将 $X_0$ 演化为满足控制方程的高保真全场预测 $\hat{x}_1$。由于缺乏真实全场高保真端点 $X_1$，PICSB 采用双网络协同训练架构：一个参数缓慢更新的静态速度网络 $v_{\tilde{\theta}}$ 充当参考源，负责前向生成代理端点以构造布朗桥插值状态；另一个可训练速度网络 $v_\theta$ 则以中间桥状态为起点，沿着硬投影采样子轨迹推进至终态，并完全以离散偏微分方程残差作为能量损失进行反向传播更新。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["输入数据<br/>全网格低保真场 X0 + 稀疏观测 Y 与掩码 M"] --> B["代理端点周期性刷新<br/>静态网络生成代理端点并采样布朗桥中间态"]
    B --> C["采样全程硬观测投影<br/>坐标替换强约束且消除推理梯度引导"]
    C --> D["纯物理残差无引导训练<br/>离散偏微分方程能量反传更新速度网络"]
    D --> E["输出物理自洽的高保真全场重建 x1"]

关键设计¶

1. 代理端点周期性刷新：在缺失全场真值下自洽构建桥参考流

标准薛定谔桥匹配算法（如 Diffusion Schrödinger Bridge Matching）高度依赖预先配对的初始态与终末态 $(x_0, x_1)$，以此推导出布朗桥的解析条件漂移。然而在稀疏监督设置下，全场高保真终点 $x_1$ 根本不存在，这使得经典的闭式最优传输参考完全失效。针对该根本性缺失，PICSB 借鉴了深度强化学习中目标网络（Target Network）的延迟冻结思想，引入一个周期性刷新的静态速度模型 $v_{\tilde{\theta}}$。在每一轮刷新周期 $k$ 内，首先将当前可训练模型的参数冻结并赋值给静态模型（$\tilde{\theta} \leftarrow \theta$）。对于任意训练对 $(x_0, y)$，通过静态采样器从 $x_0$ 出发生成代理高保真端点 $\tilde{x}_1 \sim \tilde{\pi}_1^{(k)}(\cdot|y)$。随后，依据高斯布朗桥闭式解： $$X_\tau \mid (x_0, \tilde{x}_1) \sim \mathcal{N}\big((1-\tau)x_0 + \tau \tilde{x}_1, \; \varepsilon \tau (1-\tau) I\big)$$ 在随机时刻 $\tau \sim \text{Unif}(0, 1)$ 解析采样出中间状态 $\tilde{x}_\tau$，并将其作为可训练网络 $v_\theta$ 的前向演化起点。理论分析证明（Proposition 4.2），该交替更新过程在不动点处满足严格的自洽性，保证了在没有全场监督标签的情况下，由模型自身演化出的代理参考测度能够渐进收敛到内循环残差最优的后验流形。

2. 采样全程硬观测投影：消除测试时梯度引导并消除条件漂移

在传统条件扩散模型中，为了使无条件或有偏扩散轨迹匹配稀疏传感器观测，必须在采样循环的每一时间步显式计算观测拟合误差关于潜变量的梯度（$\nabla_{x_t} \|y - \mathcal{H}(x_t)\|^2$），这不仅使单步推理开销暴增，而且在传感器含噪或极度稀疏时极易造成流形崩塌。PICSB 采取直接的几何解耦路线：将观测约束定义为严格的可行仿射子空间 $\mathcal{C}_y = \{x \in \mathbb{R}^n : \mathcal{H}(x) = y\}$。对于空间下采样的传感器观测算子，构造坐标硬投影算子： $$\Pi_{\mathcal{C}_y}(x) := \mathbf{M} \odot y + (1 - \mathbf{M}) \odot x$$ 其中 $\mathbf{M} \in \{0, 1\}^n$ 为标记已知观测网格点的二值掩码。无论是在静态网络生成代理端点、构建中间布朗桥状态，还是在离散前向欧拉-丸山积分的每一个离散步中，网络均在漂移更新后强制施加硬投影 $\Pi_{\mathcal{C}_y}$，随后才叠加扩散噪声 $\sqrt{\varepsilon s} z_t$（在最终步 $T$ 保持投影且不加噪）。这种全流程硬投影设计确保了生成轨迹在每个时刻都无条件满足已知传感器观测，从而彻底甩掉了测试阶段的观测引导梯度项，使得模型能够进行完全端到端的前向亚秒级推理。

3. 纯物理残差无引导训练：基于离散微分方程能量塑造目标流场

由于完全没有全场参考标签可用，传统的有监督均方误差（MSE）损失函数无法应用。PICSB 将真实物理先验转化为可微的能量景观，直接利用网格空间上离散化偏微分方程残差算子 $\mathcal{R}_h: \mathbb{R}^n \to \mathbb{R}^r$ 来指导流动分布的塑造。给定中间布朗桥状态 $\tilde{x}_\tau$，可训练模型执行前向采样轨迹生成终态预测 $\hat{x}_1 = \text{Sample}_\theta(\tilde{x}_\tau \mid y, \tau)$，训练目标直接定义为终态预测场的偏微分方程残差范数期望： $$\mathcal{L}(\theta) := \mathbb{E}_{(x_0, y) \sim \mathcal{D}_{\text{train}}} \mathbb{E}_{\tau \sim \text{Unif}(0, 1)} \big[ \|\mathcal{R}_h(\hat{x}_1)\| \big]$$ 端到端反向传播越过整个采样子轨迹计算 $\nabla_\theta \mathcal{L}(\theta)$，直接迫使速度场网络学习如何消解低保真流动中的非物理伪影（如 Darcy 流中的块状插值伪影或 Navier-Stokes 中的涡旋耗散失真）。结合连续偏微分方程在局部可辨识性假设下的误差稳定性定理（Proposition 4.1），只要终态场满足硬观测投影且离散物理残差被压低至容差 $\delta$，预测场与真实物理场之间的状态误差即可被数学上界约束：$\|\hat{x}_1 - x_1^\star\| \le c(\delta - \delta^\star(y; h)) + \eta(h)$，从数理理论上闭环了仅用物理残差无监督训练的收敛有效性。

损失函数 / 训练策略¶

PICSB 网络主干采用以 AdaIN（自适应实例归一化）调制的 U-Net 结构，输入为空间网格张量（对于动态流体如 2D Kolmogorov 流，将 40 个时间帧沿通道维度堆叠），桥时间 $\tau_t$ 通过 2 层 MLP（隐藏维度 16）提取时间嵌入并调制 U-Net 编码器块的通道均值与方差。 - 求解离散化：固定采用 $T=10$ 个均匀桥时间步（步长 $s=0.1$），常数噪声尺度 $\varepsilon = 10^{-2}$。训练与推理采用完全一致的离散步长与加噪策略。 - 刷新机制：每隔 $C=100$ 次训练迭代执行一次静态网络参数刷新（$\tilde{\theta} \leftarrow \theta$），总训练迭代数为 100k。 - 优化与梯度裁剪：使用 Adam 优化器。针对不同流体方程的数值尺度，Burgers 与 Kolmogorov 基准的学习率设为 $10^{-3}$，梯度裁剪阈值为 1.0；针对椭圆型偏微分方程及空间非均匀渗透率主导的 Darcy 流，由于网格差分算子幅度差异极大，学习率设为 $10^{-6}$，梯度裁剪阈值严格限制为 $10^{-5}$。

实验关键数据¶

主实验¶

评估在三个典型流体力学偏微分方程基准上展开：一维非线性粘性 Burgers 方程、二维稳态 Darcy 渗流方程、以及高维湍流二维不可压缩 Navier-Stokes Kolmogorov 流。所有任务在仅提供 10% 稀疏高保真观测与带偏差低保真输入的严苛设定下进行，测试了三种传感器布设机制：动态重采样传感器（R1）、单样本轨迹固定传感器（R2）以及全测试集全局固定的传感器网络（R3）。对比基准包括实例优化方法 PINNs 以及基于扩散模型的测试时梯度引导方法 Guidance。采用全网格相对 $L^2$ 误差（RelError %）作为核心精度指标。

数据集	观测机制	PINNs (优化基线)	Guidance (扩散引导)	PICSB (本文)	相对领先优势
1D Burgers	R1 (动态重采样)	8.29%	0.99%	2.59%	优于 PINNs 68.8%
1D Burgers	R2 (样本固定)	13.48%	19.04%	14.05%	优于 Guidance 26.2%
1D Burgers	R3 (全局固定)	11.79%	10.66%	14.25%	与 Guidance 相当
2D Darcy	R1 (随机采样)	5.69%	12.02%	0.29%	误差降幅 97.6%
2D Darcy	R3 (全局固定)	5.64%	27.39%	0.28%	误差降幅 95.0%
2D Kolmogorov	R1 (动态重采样)	64.47%	8.99%	7.32%	精度全面超越基线
2D Kolmogorov	R2 (样本固定)	65.20%	10.62%	8.66%	精度全面超越基线
2D Kolmogorov	R3 (全局固定)	65.06%	10.61%	8.37%	精度全面超越基线

推理效率与消融/鲁棒性分析¶

数据同化技术在业务化部署中最核心的瓶颈是计算延迟。下表总结了在全局固定传感器机制（R3）下各方法的单样本平均推理耗时（秒），展现出数个数量级的速度鸿沟；同时给出了针对采样步数与模型核心组件的消融分析。

模型配置 / 方法	Burgers 耗时 (s)	Darcy 耗时 (s)	Kolmogorov 耗时 (s)	性能特征与消融说明
PINNs (测试时优化)	1733 s (~29 min)	2682 s (~45 min)	10680 s (~3.0 h)	需从头优化 100k 步，极端耗时且收敛于过平滑解
Guidance (扩散引导)	174 s (~3 min)	173 s (~3 min)	801 s (~13 min)	依赖 2000 步扩散迭代与在线高阶求导
PICSB (完整模型, T=10)	0.023 s	0.023 s	0.134 s	亚秒级零样本推理，提速 6000x ~ 80000x
PICSB (w/o 代理刷新机制)	崩溃 / 发散	崩溃 / 发散	崩溃 / 发散	缺少稳定参考端点导致布朗桥漂移匹配完全失稳
PICSB (w/o 硬投影, 换软惩罚)	4.82% (R1)	1.15% (R1)	12.45% (R1)	观测点无法严格满足，误差出现明显反弹
PICSB (步数压缩至 T=5)	2.84% (R1)	0.35% (R1)	8.10% (R1)	速度翻倍（~0.01s），精度仅微微下降

关键发现¶

复杂流体与空间退化场景下的统治级表现：在二维稳态 Darcy 流中，低保真先验由最近邻插值构建，存在严重的块状不连续阶梯伪影。Guidance 模型由于在低保真流形上预训练，在推理时即使施加观测和物理残差梯度，仍难以跳出块状低质流形的先验陷阱（误差高达 27.39%）；而 PICSB 通过物理残差塑造流，直接消除几何畸变，将误差骤降至 0.28%（优于基线 20 倍以上）。在强非线性湍流 Kolmogorov 流中，PINNs 严重过平滑并完全失去高频涡结构（误差 >64%），而 PICSB 能精确捕获相干涡管的细粒度演化。
亚秒级同化彻底解决时间敏感型应用痛点：对于高维 Kolmogorov 时空系统，PINNs 需运算 3 小时，Guidance 需 13 分钟，而 PICSB 仅需 0.134 秒即可完成包含 40 个连续时空帧的高保真全场重构。这一飞跃使得将深度生成模型嵌入业务化天气预测与海洋同化循环成为可能。
高阶抗噪鲁棒性：在稀疏观测叠加大达 15% 的高斯噪声时，Guidance 因直接对含噪观测反向求导而产生剧烈的误差放大，而 PICSB 借助布朗桥的平滑输运以及硬投影机制，在全噪声区间内表现出显著更平缓的性能衰减。

亮点与洞察¶

薛定谔桥与物理残差在无监督场景的精妙闭环：传统薛定谔桥需要配对终点，物理残差模型往往收敛缓慢。PICSB 巧妙利用目标网络延迟刷新构造自洽代理端点，使无监督的物理残差作为引导流形曲率的能量，既解决了物理无监督的漂移方向定义，又继承了薛定谔桥短轨迹、少步数（10 步即收敛）的高效优势。
“硬投影代替软梯度”的极简主义架构：将繁琐的观测一致性拉回操作简化为每个离散步的掩码坐标覆盖（$\Pi_{\mathcal{C}_y}$），不仅从根本上杜绝了条件扩散模型在测试时反向求导的沉重负担，更在数学上严格锁死了已知传感器坐标处的绝对真值。
多保真度同化向极度稀疏场景的自适应泛化：附加实验表明，当测试时观测数量从 10% 骤降至 1% 的极端欠定条件时，采用嵌套观测集的分级联合微调（Integrated Mode Finetuning）能使模型同时适应多级稀疏度，展现出强大的工程迁移潜力。

局限与展望¶

依赖已知先验偏微分方程算子：当前方法要求物理方程的离散残差算子 $\mathcal{R}_h$ 形式完全已知且可微，对于含有未建模动力学或强经验参数化的复杂未知系统（如次网格湍流模型）尚无法直接应用。
强高斯观测噪声下的硬投影局限：硬投影强行假定传感器读数即为真理。当传感器自身存在严重测量噪声或非高斯失真时，硬覆盖可能会强行将测量噪声注入局部网格，未来需引入自适应软投影或含噪观测置信度门控机制。
低保真先验信息匮乏时的外推瓶颈：实验显示当观测极度稀疏（如 1%）且低保真代理完全失效时，模型的重建精度依然面临退化，如何结合自监督预训练算子增强骨干表示能力仍待探索。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次将物理信息偏微分方程残差与无终点薛定谔桥结合，通过目标网络式周期性刷新解决稀疏监督痛点，构思精巧。
实验充分度: ⭐⭐⭐⭐⭐ 涵盖 1D Burgers、2D Darcy、2D Navier-Stokes 经典流体基准，多级传感器机制、噪声敏感度及少传感器微调分析完备。
写作质量: ⭐⭐⭐⭐⭐ 理论推导扎实（包含可辨识性误差上界与自洽不动点证明），算法流程与实验图表清晰明了。
价值: ⭐⭐⭐⭐⭐ 为时间极其敏感的高分辨率物理数据同化提供了可落地的亚秒级深度生成方案，对气象与海洋物理模拟极具实用价值。