物理约束与深度生成模型的融合：基于物理感知归一化流的阻抗谱数据生成框架

《Neurocomputing》：Bridging physical constraints and deep generative models via physics-aware normalizing flows

本文提出了一种创新的物理感知生成建模框架（PA-NF），通过将对抗性学习（GANs）与物理前向模型（ECMs）及归一化流（NFs）相结合，有效解决了生成式人工智能（AI）中的幻觉问题和物理约束违反难题。该框架在从简单到复杂的电路模型中均表现出卓越的适用性，并通过判别器集成、实例噪声调度等技术实现训练稳定，为从无标记阻抗测量数据合成有标记训练数据提供了新范式。

　　

亮点

方法学评估

我们证明了多种归一化流（NFs），包括最先进的神经切片流（NSFs）和RealNVPs，都可以通过可微分模拟器和对抗性学习用于物理感知建模。与参考文献[6]相比，我们成功地将该方法扩展到更复杂的电路作为前向模型。对于复杂电路，超参数调优变得至关重要，而通过调优找到合适的学习配置仍然具有挑战性，因为需要协调多种正则化技术和批处理信息处理。

结论与展望

本研究构成了参考文献[6]的扩展版本，对理论基础进行了全面的实证评估，并提出了用于PA-NF对抗性训练的先进方法。该方法展示了增强的可扩展性，从简单的物理模型（3个电路元件，单次测量）扩展到具有6个电路元件和双重测量场景的复杂等效电路配置。

我们系统地评估了四种不同的NF架构——