[LG]《Strong Stochastic Flow Maps》S McCallum, Z W. Blasingame, T Herschell, N Rindtorff… [University of Bath & AITHYRA] (2026)

在扩散模型加速中，难题是少步采样常牺牲随机过程本身的路径一致性。过去随机flow map受困于学习转移核，本质原因是它只匹配边缘分布，不保留同一布朗噪声下的轨迹。

本文的核心洞见是：把随机flow map重新看作Itô映射。由此，布朗路径被压缩为Legendre多项式系数，网络学习从初值与噪声路径直接到终态的强解。

这项工作真正留下的遗产是把少步、随机、路径一致统一到一个生成框架。它为分子采样打开一两次网络评估的新门，但尚未跨过的门槛是当前只覆盖加性噪声SDE。

arxiv.org/abs/2606.01086 机器学习 人工智能 论文 AI创造营