2025_NIPS_Curly Flow Matching for Learning Non-gradient Field Dynamics

文章核心总结与翻译

一、主要内容

文章针对现有方法难以捕捉非梯度场动力学（如细胞周期的周期性行为）的问题，提出了一种名为CURLY-FM（Curly Flow Matching）的新方法。该方法通过求解带有非零漂移参考过程的薛定谔桥问题，结合群体快照数据和近似速度信息，实现对非梯度场动力学的学习。

在实验验证方面，CURLY-FM在多个场景中进行了测试，包括合成数据、墨西哥湾洋流建模、计算流体力学以及单细胞轨迹推断。结果显示，该方法在匹配参考过程和群体边缘分布上表现更优，同时保持了计算高效性，训练时间仅需分钟级，远快于传统模拟类方法。

二、创新点

1. 引入非零漂移参考过程：突破传统零漂移参考过程的限制，能够建模周期性等非梯度场行为，解决了现有最优传输和流匹配方法的核心缺陷。
2. 两阶段无模拟算法：第一阶段学习神经路径插值器以匹配参考漂移，第二阶段通过最优传输耦合构建生成过程，无需模拟即可完成训练，提升稳定性和效率。
3. 融合速度信息：利用近似速度数据（如RNA速度、流体速度估计）构建参考过程，首次实现无模拟方式将速度信息融入流匹配模型。

---

三、关键部分翻译（Markdown格式）

Abstract

自然科学中，从群体层面观测数据建模自然过程的传输动力学是一个普遍问题。此类模型依赖于对潜在过程的关键假设，以实现对模拟实际系统行为的主导动力学的可靠学习。当前方法中的默认假设基于最