文章核心观点 - 研究团队提出了一种全新的视频扩散模型框架，旨在解决现有模型在生成科学现象视频时违背物理规律的问题 [2][3] - 该方法的核心创新在于让模型学习“潜在科学知识”，从而能从单帧初始图像推演出符合物理直觉的动态演化过程，实现了从“视觉生成”到“科学生成”的转变 [3][4][19] - 在流体模拟和真实台风观测数据上的实验表明，该方法在数值精度和物理一致性指标上均显著优于主流视频生成模型 [13][16][18] 方法介绍 - 方法框架分为三个核心步骤：潜在知识提取、伪语言提示生成、知识引导视频生成 [8] - 潜在知识提取模块结合了静态知识（通过Masked Autoencoder提取初始条件）和动态知识（通过光流预测网络捕捉运动趋势） [9] - 通过四元数网络将提取的视觉和科学知识特征投影为伪语言提示嵌入，以克服科学领域难以用文字精确提示的局限 [10] - 采用LoRA（Low-Rank Adaptation）方式将伪语言提示注入Stable Video Diffusion或CogVideoX等基础模型进行轻量微调，实现知识引导下的视频生成 [11] 模型结果 - 在四种典型流体模拟场景（瑞利-贝纳德对流、圆柱绕流、溃坝流、深水爆炸）和四个真实台风事件（202001、202009、202102、202204）上进行了评估 [13] - 定性结果显示，新方法生成的流体场和台风演化视频在结构连贯性和物理合理性（如旋转方向、能量分布）上远优于传统模型 [16] - 定量评估结合了传统指标（RMSE, SSIM）和六项物理一致性指标（如流函数误差、涡度判据误差），新模型在所有指标上均显著领先 [17][18][21] - 具体数据表明，在流体模拟任务中，Q-Criterion误差降低了一个数量级；在台风预测任务中，SSIM提升超过10%，RMSE降低20%以上 [18]