arXiv cs.AI· Prashant Pandey, Devineni Sri Venkatraya Chowdary, Brejesh Lall·· 13 小时前AI 评分34
ManifoldCache：面向约束流形扩散模型的无训练扩散加速方法
ManifoldCache: Training-Free Diffusion Acceleration via Constraint Manifold Caching
AI 导读
ManifoldCache 是首个专为约束流形扩散模型（CMDM）设计的免训练、免数据加速器，统一覆盖医学体数据、分子构象、蛋白质骨架设计、晶体结构预测与多视角 3D 场景等八类模型。该方法利用条件分数的正交分解，证明噪声调度中点是无误缓存的安全边界，且更深的网络块可获得更大的可认证缓存步长。整个调度无需校准数据，也不带来任何训练开销。
正文 · AI 翻译
摘要：用于结构化科学生成的扩散模型必须生成满足物理、化学或生物学所施加的硬几何约束的样本，然而在这些场景下推理速度慢得令人难以接受，每个样本需要数百到数千次神经函数评估。我们将涵盖医学体积测量、分子构象、蛋白质骨架设计、晶体结构预测和多视图 3D 场景的八个最先进模型统一在一个抽象之下，即约束流形扩散模型（CMDMs），其中目标分布支撑在由外部指定的约束映射所定义的流形上。所有现有的加速方案在这一类模型上都失效：量化在高维体积算子上耗尽内存；剪枝破坏约束保真度；快速 ODE 求解器允许轨迹偏离约束流形；特征缓存启发式方法对约束几何不敏感，在高噪声区域引发模式混淆。我们提出 ManifoldCache，这是首个从第一性原理出发为 CMDMs 设计的免训练、免数据加速器。关键洞见在于，条件分数正交分解为法向分量和切向分量，前者强制满足约束，后者在流形内导航。利用这一结构，我们证明噪声调度中点是清晰的安全缓存边界：在它之前缓存会产生可证明有界的误差，而在它之后缓存则保证有严格正比例的轨迹遭受模式混淆，这一差距一直持续到该边界。我们进一步证明，由于分数分解通过块雅可比矩阵传播，更深的网络块在安全阶段内可证明地允许更大的认证缓存步长。由此得到的调度不需要校准数据，也没有任何训练开销。
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.04510 [cs.AI] |
| （或本版本使用 arXiv:2610.04510v2 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2610.04510 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Prashant Pandey [查看电子邮件]
[v1]
2026 年 10 月 3 日星期六 13:18:15 UTC（4,174 KB）
[v2]
2026 年 10 月 27 日星期二 18:26:59 UTC（3,167 KB）
来源：arXiv cs.AI · arxiv.org