Naukowcy opracowali MintFlow, framework do warunkowego próbkowania, który pozwala generować dane spełniające konkretne ograniczenia bez ponownego trenowania modeli flow matching. Problem, który rozwiązuje, jest fundamentalny: gdy próbujemy narzucić ograniczenia na próbki (takie jak dane pomiarowe czy równania fizyki), zwykle musimy wybierać między spełnieniem warunku a zachowaniem oryginalnego rozkładu danych. MintFlow zmienia tę dychotomię, szukając minimalnej perturbacji stanu flow'u w trakcie jego ewolucji, która gwarantuje spełnienie celu.
Klucz do skuteczności leży w sformułowaniu adjoint'owym, które daje zamknięty wzór na potrzebną perturbację - nie trzeba więc żadnych kosztownych iteracyjnych obliczeń optymalizacyjnych. Algorytm adaptacyjnie decyduje również, kiedy interweniować w proces - wcześniejsza interwencja wymaga mniejszych zmian, ale te zmiany amplifikują się w pozostałej trajektorii, podczas gdy późna interwencja minimalizuje amplifikację ale wymaga większej perturbacji. To balansowanie jest kluczem do zachowania jakości próbek.
Metoda została testowana na szerokim spektrum zagadnień: od generacyjnych modeli widzenia do modelowania systemów fizycznych. W każdym przypadku MintFlow konkurencyjnie spełnia ograniczenia jednocześnie zachowując pretrenowany rozkład danych znacznie lepiej niż istniejące metody constrained sampling. To podejście otwiera drogę do praktycznego stosowania generacyjnych modeli flow matching w aplikacjach wymagających spełnienia konkretnych warunków fizycznych czy pomiarowych.