STUDIO E ANALISI DEI PROGRESSI DEI MODELLI GENERATIVI ISPIRATI ALLA FISICA

This thesis delves into the integration of physical processes into generative modeling, achieved by exploiting density flow equations to ensure continuity. It explores two primary models: diffusion models and Poisson flow generative models (PFGMs), as well as their enhanced version, i.e. PFGMs++. The latter combines the strengths of both models. Through robustness analysis, PFGMs++ demonstrate stable generation capabilities across various noise distributions, underscoring the effectiveness of physics-based generative approaches. Moreover, the examination reveals the significance of distribution smoothness as a potential empirical metric for selecting noise levels, thereby facilitating smoother noise application and linear treatment in the training phase. However, further validation of these findings on larger datasets is imperative to fully exploit the advantages of smooth distributions in optimizing training processes.

Questa tesi approfondisce l'integrazione dei processi fisici nella modellazione generativa, ottenuta sfruttando le equazioni del flusso di densità per garantire la continuità. Esplora due modelli primari: i modelli di diffusione e i modelli generativi a flusso di Poisson (PFGM), nonché la loro versione migliorata, ovvero PFGMs++. Quest'ultima combina i punti di forza di entrambi i modelli. Attraverso l'analisi della robustezza, i PFGMs++ dimostrano capacità di generazione stabili attraverso varie distribuzioni di rumore, sottolineando l'efficacia degli approcci generativi basati sulla fisica. Inoltre, lo studio rivela l'importanza della smoothness della distribuzione come potenziale metrica empirica per la selezione dei livelli di rumore, facilitando così l'applicazione di un rumore più omogeneo e il trattamento lineare nella fase di addestramento. Tuttavia, è indispensabile un'ulteriore validazione di questi risultati su dataset più ampi per sfruttare a pieno i vantaggi delle distribuzioni smooth nell'ottimizzazione dei processi di addestramento.