Anna Zimmel氏、Fleur Hendriks氏ら7名の研究者は2026年10月8日(現地時間)、高次元分岐システムにおける多対一の解写像を学習するための新たな生成フレームワーク「Bi-FORK」に関する論文をarXivで発表した。このフレームワークは、物理システムで遍在する分岐現象が深層学習で未開拓であった現状に対し、新たなアプローチを提示している。
分岐現象は、構造物の座屈から流体・気候力学に至るまで、様々な物理システムに広く見られる。しかし、対称性破壊分岐において単一の入力が複数の有効な解を生み出す「多対一」の関係は、深層学習における多くの物理的サロゲートが前提とする「一対一」の仮定と矛盾していた。
Bi-FORKは、この課題に対処するために設計された生成フレームワークである。潜在フローマッチングを通じて、空間的および時間的な整合性を保ちながら完全な軌跡を生成する。また、反発誘導サンプリングを用いることで、単一のアモルタイズドパスで異なる解の分岐を回復することを可能にする。
研究チームは、Bi-FORKの性能を座屈梁、機械的メタマテリアル、アレン・カーン相分離といったシステムで評価した。これらの評価対象は、連続、離散、およびフィールド値分岐を網羅し、最大260,000点に及ぶ離散化を伴う。Bi-FORKは、これらのシステムにおいてマルチモーダルな解構造を回復し、先行するアプローチを数桁上回るスケーリング能力を示した。
この成果は、高次元の分岐物理システムへの生成モデリングの適用可能性を大きく広げるものであると論文は結論付けている。
参考: arXiv cs.LG — 2026年10月9日 02:58 (JST)
原文ハイライト"Bi-FORK generates complete trajectories through latent flow matching, preserving space and time coherence"