Bi-FORK：高维分岔系统的生成式建模新框架

在物理世界中，分岔现象无处不在——从结构屈曲到流体与气候动力学，它描述的是系统在临界点附近从单一状态分裂为多个可能路径的过程。然而，这类现象在深度学习领域却长期处于被忽视的状态。传统的学习型物理代理模型大多建立在“一对一”映射假设之上，即给定一个输入，模型输出唯一确定的结果。但在对称破缺分岔点，一个输入可能对应多个同样合理的解，这种“一对多”的特性直接挑战了现有代理模型的基础。

近期，一项名为 Bi-FORK 的研究提出了针对高维分岔系统的生成式建模框架，试图填补这一空白。该工作不仅从方法论上重新思考了物理代理模型的构建方式，还在多个高维场景中验证了其有效性，为生成模型在物理仿真中的应用开辟了新方向。

为什么分岔系统让传统代理模型失效？

分岔是系统非线性行为的一种典型表现。当控制参数越过某个临界值时，系统原本稳定的单一解可能失稳，并出现两个或多个新的稳定解。例如，一根受压的梁在载荷达到临界点后，既可能向左屈曲，也可能向右屈曲——两者在物理上都完全成立。

这种对称破缺导致解的多模态结构。传统的监督学习代理模型通常训练一个确定性映射，学会的是对训练数据的“平均”或“主导”模式，而非捕捉所有可能的解分支。结果就是：在分岔点附近，模型要么给出一个物理上不存在的折中解，要么完全遗漏某些分支。

Bi-FORK 的作者指出，这种一对多映射的缺失，是当前深度学习代理模型在分岔场景中表现不佳的根本原因。

什么是物理代理模型？ 代理模型（surrogate model）是科学计算与工程仿真中的常用手段：当第一性原理仿真（如有限元、计算流体力学）计算代价过高时，研究者用数据驱动的方式训练一个近似模型，替代昂贵的数值求解。传统代理模型通常采用确定性回归或分类架构（如多层感知机、卷积网络、神经算子），其训练目标是最小化预测值与真值之间的均方误差，本质上是在拟合条件期望 $\mathbb{E}[y \mid x]$。这种设计在解唯一的问题上表现良好，但当事物存在多个同等有效的解时，条件期望会把多个解“平均”成一个物理上并不存在的中间状态——就像同时向左和向右屈曲的梁被预测为笔直不动一样。此外，确定性模型无法表达预测的不确定性结构，也就无法区分“解唯一但模型不确定”与“解本身多模态”这两种本质不同的情况。

Bi-FORK 的核心思路：潜空间流匹配与排斥引导采样

为了解决一对多映射问题，Bi-FORK 采用了两项关键设计。

潜空间流匹配：模型并不直接在物理空间生成解，而是学习一个潜空间中的连续流，将简单先验分布变换为解分布。这种流匹配方式能够保持解在空间与时间上的连贯性，尤其适合生成完整的轨迹而非孤立的快照。

排斥引导采样：在推理阶段，Bi-FORK 使用一种排斥机制来鼓励生成样本分散到不同的解分支上。这样，模型可以在单次摊销推理中同时恢复多个解分支，而不需要为每个分支单独训练或多次采样。

这两项设计共同实现了“一次前向、多解输出”的能力，与传统的确定性代理模型形成鲜明对比。

流匹配与连续归一化流。流匹配（flow matching）是一类生成式建模方法，其核心思想是学习一个时间相关的速度场 $v_\theta(x, t)$，使得简单先验分布（通常是高斯分布）中的样本沿着该速度场积分后，能够变换为目标数据分布。与扩散模型通过逐步去噪生成样本不同，流匹配直接回归速度场，训练目标通常为条件流匹配损失，形式上更接近连续归一化流（continuous normalizing flow）。其优势在于采样效率高、轨迹平滑，并且天然适合处理具有时间连贯性的物理轨迹。在 Bi-FORK 中，潜空间流匹配意味着生成过程发生在低维潜空间而非原始高维物理空间，这既降低了计算复杂度，也使得速度场更容易学习。

跨尺度验证：从连续到离散，从结构到相场

Bi-FORK 的评估覆盖了三类具有代表性的分岔系统，分别对应不同类型的解空间。

• 屈曲梁：连续型分岔的经典案例，解分支对应左右屈曲模式。
• 机械超材料：离散型分岔，单元结构的失稳模式呈现多稳态特性。
• Allen-Cahn 相分离：场值型分岔，涉及相界面的多种演化路径。

这些案例的离散化规模最高达到 260,000 个点，远超此前相关方法所能处理的问题维度。作者报告称，Bi-FORK 在恢复多模态解结构的同时，将可扩展性提升了数个数量级。这意味着生成式建模首次能够应对真正高维的分岔物理系统。

Allen-Cahn 方程与相场建模。Allen-Cahn 方程是相场方法中的经典模型，用于描述二元合金或材料中相界面的演化。其形式通常为 $\partial_t \phi = \epsilon^2 \nabla^2 \phi - W'(\phi)$，其中 $\phi$ 是序参量（如浓度或相指标），$W(\phi)$ 是双势阱函数。方程驱动系统向两个简并的极小值之一演化，因此天然具有分岔与多解特性：不同的初始扰动或边界条件会导致不同的相界面构型。在高维离散化下，Allen-Cahn 系统可产生大量空间点（如本文的 26 万点），其解空间呈现高度多模态。Bi-FORK 选择该案例，正是为了验证生成式代理模型在场值型分岔问题上的扩展能力。

对物理仿真与生成式AI的意义

Bi-FORK 的价值不仅在于一个具体模型，更在于它重新定义了深度学习代理模型在非唯一解场景下的角色。

从工程角度看，分岔分析在结构稳定性、材料设计、气候模拟等领域至关重要。能够一次性生成所有可能解分支的代理模型，可以显著加速不确定性量化与鲁棒性评估。

从方法论角度看，Bi-FORK 将生成式建模从图像、文本等领域进一步推向科学计算。它表明，流匹配与引导采样等技术同样适用于具有严格物理约束的高维动力系统。

当然，这一框架目前仍属于研究阶段。如何保证生成解严格满足物理守恒律、如何量化分支覆盖的完备性、以及如何扩展到更复杂的时空混沌系统，都是值得后续探索的问题。但无论如何，Bi-FORK 为高维分岔系统的生成式建模提供了一个清晰且可扩展的起点。