Naukowcy z arXiv wprowadzili RGFM (Renormalization Group Flow Matching), nowatorskie podejście do modelowania generatywnego, które łączy siłę modeli globalnych z efektywnością podejść lokalnych. Problem, który rozwiązują, jest fundamentalny w głębokim uczeniu: modele globalne potrafią uchwycić pełną strukturę danych, ale są kosztowne obliczeniowo, podczas gdy lokalne są szybkie, ale tracą korelacje długozasięgu między odległymi elementami.
Rozwiązanie pochodzi z fizyki - z grupy renormalizacyjnej (RG), teorii łączącej struktury przestrzenne w różnych skalach. RGFM wykorzystuje dokładny przepływ RG jako ścieżkę probabilistyczną, generując dane progresywnie od długich do krótkich struktur fal. Kluczowe jest odkrycie autorów: przepływ RGFM można przybliżyć lokalnym polem prędkości działającym w zasięgu zależnym logarytmicznie od rozmiaru systemu. To oznacza, że można pracować z małymi patche'ami danych rozmiaru O(ln L) i osiągnąć koszt obliczeniowy skalujący się prawie liniowo z całkowitą objętością systemu.
To przełom, ponieważ RGFM teoretycznie łamie trawick dylemat: utrzymuje długozasięgowe korelacje (mając dostęp do struktur globalnych) jednocześnie pracując lokalnie i efektywnie. Podejście ma potencjał transformujący generative modeling, szczególnie dla dużych, złożonych systemów, gdzie tradycyjne metody stają się obliczeniowo niewykonalne. Wyniki numeryczne potwierdzają, że model rzeczywiście reprodukuje długozasięgowe korelacje przy zachowaniu skalowania.