生成式深度学习模型，特别是去噪扩散概率模型（DDPM），正通过学习从随机噪声到结构化数据的逆过程，为科学计算和医学影像重建提供全新的范式。然而，纯数据驱动的模型在处理具有严谨物理背景的任务时，常因忽略底层物理定律而产生违反直觉的伪影或面临泛化瓶颈。针对这一挑战，本文梳理了8篇物理驱动扩散模型（Physics-Informed Diffusion Models），这些模型将偏微分方程（PDE）（如纳维-斯托克斯方程、热传导方程、Bloch方程）、统计力学先验（如低密度近似）以及结构特征约束直接嵌入扩散架构中，实现了生成柔性与物理确定性的有机统一。
在计算流体动力学（CFD）领域，物理驱动扩散模型利用PDE残差梯度引导采样过程，在无需针对新分布重新训练的前提下，显著提升了从随机测量数据重构高保真湍流场的鲁棒性。在医学磁共振成像（MRI）方面，研究者通过将k空间插值过程类比为逆向热扩散，或引入潜在物理约束编码器（LPCE）来捕获组织弛豫特性，极大改善了欠采样重建的精度与数据一致性。此外，针对推理效率瓶颈，渐进式蒸馏（Progressive Distillation）将物理先验初始化（PI Prior）引入材料科学中，通过引入离散小波变换（DWT）的噪声保留块（NRB），模型成功克服了传统架构的“高频偏见”，实现了对原子级细节的高精度表征。

物理驱动扩散模型不仅在图像超分辨率、多模态融合（如CT与X-ray）和分子去噪中展现出卓越性能，更由于其减少了对大规模标注数据的依赖，正成为弥合数值模拟与真实实验间鸿沟的关键技术手段。

1.计算流体动力学（CFD）：高保真场重构[1]

在CFD领域，从低保真数据重构高保真流场（如DNS数据）具有极高的计算价值。

应对分布偏移（Domain Shift）的鲁棒性

传统超分辨率模型严重依赖训练集中的特定低保真分布，若测试数据与其不符，性能会剧烈下降。物理驱动扩散模型采用**“高保真数据训练+噪声混合（Noise-Mixing）引导”**的范式：通过向低保真输入添加高斯噪声使其分布向训练集的流形靠拢，并结合PDE残差梯度微调，实现了无需针对新任务重新训练的通用性。

二维湍流（Kolmogorov流）实验表现

在2D Kolmogorov流实验中，物理驱动扩散模型不仅在点对点误差（L2范数）上表现优异，更在保持动能谱和PDE残差一致性方面显著超越了双三次插值和传统的直接映射神经网络

2.医学影像处理：MRI 重建、超分辨率与辅助诊断

2.1 磁共振成像（MRI）的高精度重建

加速MRI扫描必然导致k空间欠采样，从而引发伪影。 上图展示k空间热扩散框架，包括前向的热扩散（高频丢失）和基于学习过的分数的逆向生成过程。

• 物理辅助自适应扩散模型（PINN-DADif）： 该模型将Bloch方程集成到神经网络架构中，通过潜在物理约束编码器提取符合物理规律的特征。其推理过程分为初步扩散阶段和自适应调整阶段，后者专门通过物理正则化提升数据一致性。

• k空间热扩散插值法（Heat-Diffusion）： 该研究揭示了k空间高频数据的插值过程在物理上等效于逆向热传导过程。通过将生成范式从随机噪声转变为基于低频数据的确定性演变，大幅提高了生成结果的稳定性

2.2 脑部MRI超分辨率与知识蒸馏

为了让昂贵的高场强成像效果（如7T-like）在低场强设备（如1.5T）上实现，研究者引入了双阶段扩散框架。

• 物理指导： 在扩散过程中嵌入梯度非线性校正和偏移场校正信息。

• 渐进式蒸馏（Progressive Distillation）： 为了应对临床实时部署压力，通过蒸馏策略训练轻量化“学生模型”，在减少59%参数量和69%计算开销的同时，保持了接近原始教师模型的重构精度。

2.3 多模态融合辅助诊断

在COVID-19检测等应用中，利用**各向异性扩散（Anisotropic Diffusion）和损失增强物理神经网络（LAPINN）**对CT与X-ray图像进行融合，通过整合详细肺部结构与宽阔视野，将检测准确率提升至99.5%。

3.显微图像生成与分子模拟优化

3.1 扫描透射电子显微（STEM）中的高频细节保护

扩散模型通常存在“高频偏见”，倾向于生成过度平滑的结果。STEMDiff 模型通过引入**离散小波变换（DWT）**构建噪声保留块（NRB），有效分离并保护了原子级细节所需的高频噪声特征。其生成的图像在FID指标上比传统GAN方法提升了17倍，可直接作为标注数据训练原子检测网络。

3.2 分子去噪中的统计力学先验

在处理分子动力学中的径向分布函数（RDF）时，扩散模型通常需要数百步迭代。通过利用**低密度近似（LDA）**和三元关联函数原理推导出物理信息先验，可将马尔可夫链的初始化点移动到更接近真实分布的位置。这种方法将采样链长度缩短了70%（从100步降至30步），显著提升了分子特性的计算效率。

4. 总结与挑战

综合以上的几篇关于物理驱动扩散模型的研究成果，当前该领域在跨学科应用中虽然展现了显著潜力，但仍面临多方面的瓶颈。以下是针对当前存在的问题及未来研究重点趋势的详细总结：

4.1 当前存在的问题

1. 推理延迟与计算开销巨大： 扩散模型的核心限制在于其迭代采样机制。由于需要通过长达数百甚至上千步的马尔可夫链进行去噪，其推理时间远超传统的直接映射模型（如CNN或GAN）。在医学影像等实时性要求高的临床场景中，这种高延迟成为部署的主要障碍。

2. 物理一致性与随机性之间的博弈： 传统的扩散模型从纯噪声生成图像，具有较强的随机性（Stochasticity），容易产生违反物理规律的伪影或“幻觉”细节。尽管引入了物理约束，但在高加速因子或极端欠采样情况下，模型生成的解可能依然无法完全符合物理定律（如Navier-Stokes方程残差较大）。

3. 训练与测试分布偏移（Domain Shift）的敏感性： 许多模型对输入数据的分布高度敏感。例如，在CFD重构中，如果测试集的采样分布或分辨率与训练集不一致，重构精度会剧烈下降。在医学MRI中，不同扫描仪、场强（如1.5T与3T）及不同组织器官之间的差异，也会导致固定先验模型的泛化性能受限。

4. 高频细节保护能力的缺失（高频偏见）： 标准的扩散模型架构（如U-Net）通常存在高频偏见（High-frequency bias），倾向于优先重建低频成分，而难以捕获科学图像中至关重要的原子级细节或高频实验噪声特征。

5. 缺乏直接的像素级重建误差优化： 扩散模型本质上是优化概率分布的KL散度，而非直接最小化L**p范数。这导致模型在统计意义上表现优异，但在某些需要极高像素级精度的任务中，可能无法达到数据驱动映射模型的准确度上限。

6. 超参数调节的复杂性： 物理权重（${\lambda }_{phys}$）、噪声调度方案（Noise Schedule）以及采样步数的选择往往依赖大量的手动调优，缺乏统一的理论指导。

4.2 未来研究重点趋势

1. 极速采样与模型蒸馏技术： 开发更高效的采样算法（如DDIM、一致性模型）以及通过**渐进式蒸馏（Progressive Distillation）**将复杂的教师模型转化为轻量级的学生模型是核心趋势。这不仅能显著减少计算开销，还能使模型在资源受限的边缘设备或临床工作站上运行。

2. 深度自适应与动态先验机制： 研究方向正从“固定先验”转向“自适应先验”。例如，通过开发能够根据输入数据特征动态调整采样路径的机制（如PINN-DADif中的自适应调整阶段），以应对场强偏移、组织差异和不同的加速因子，增强模型的鲁棒性。

3. 物理信息的深度融合与初始化优化： 利用**统计力学原理（如低密度近似LDA）**或确定性的物理演化方程（如热传导方程）来重新设计扩散路径或初始化马尔可夫链。这种方法通过将物理先验作为生成过程的“起跑点”，可大幅缩短采样步数并提升生成内容的可控性。

4. 从2D影像向3D/4D动态重构跨越： 目前的物理驱动扩散模型多集中于2D切片。未来将重点探索3D空间体积重构以及结合时间维度的4D动态重构（如心脏MRI、流场演变预测），利用时空一致性进一步提升精度。

5. 多模态融合与少样本/无监督学习： 探索将MRI、CT、X-ray等多种成像模态通过物理约束进行联合重构。同时，通过**循环一致性（Cycle-consistency）**和自监督学习技术，减少模型对大规模高质量标注数据（即“ground-truth”）的依赖，解决科学研究中数据稀缺的问题。

6. 频域增强与小波变换的应用： 为了克服高频偏见，未来研究将更多引入**离散小波变换（DWT）**等频域分解技术，通过构建专门的噪声保留模块（NRB），在扩散过程中精准保护关键的高频物理特征。

参考文献

参考文献

1. Dule Shu, Zijie Li, and Amir Barati Farimani. “A physics-informed diffusion model for high-fidelity flow field reconstruction.” Journal of Computational Physics 478 (2023): 111972.
2. Prabhu V.S and Thyagharajan K.K. “Enhancing COVID-19 detection through multimodal CT and X-ray image fusion with anisotropic diffusion and loss-attentional physics-informed neural networks.” Biomedical Signal Processing and Control 110 (2025): 108200.
3. D. Sainz-DeMena, M.A. Pérez, and J.M. García-Aznar. “Exploring the potential of Physics-Informed Neural Networks to extract vascularization data from DCE-MRI in the presence of diffusion.” Medical Engineering and Physics 123 (2024): 104092.
4. Zhe Wang, et al. “From physics-informed guidance to progressive distillation: A dual-stage diffusion framework for brain MRI super-resolution.” Knowledge-Based Systems 333 (2026): 114987.
5. Shahzad Ahmed, et al. “PINN-DADif: Physics-informed deep adaptive diffusion network for robust and efficient MRI reconstruction.” Digital Signal Processing 160 (2025): 105085.
6. Zhuo-Xu Cui, et al. “Physics-Informed DeepMRI: k-Space Interpolation Meets Heat Diffusion.” IEEE Transactions on Medical Imaging (2024).
7. Yihui Bao, et al. “STEMDiff: A Wavelet-Enhanced Diffusion Model for Physics-Informed STEM Image Generation.” Advanced Science (2025).
8. Ishan Nadkarni, J.P. Martínez Cordeiro, and Narayana R. Aluru. “Molecular Denoising Using Diffusion Models with Physics-Informed Priors.” The Journal of Physical Chemistry Letters 16 (2025): 3078-3085.