近日，中国科学院力学研究所引力波实验中心与上海科技大学联合研究团队提出面向复杂科学反问题的高效人工智能推断框架 FUSE（FK-Steered Multi-Modal Flow Matching for Efficient Simulation-Based Posterior Estimation），相关研究成果被国际机器学习大会（International Conference on Machine Learning, ICML）2026接收。该工作聚焦系外行星轨道参数快速反演，为未来大规模天文观测中的实时科学分析提供了新的AI数据驱动的技术路径。

ICML 是国际人工智能与机器学习领域公认的顶级会议之一，与 NeurIPS、ICLR 并称全球机器学习“三大顶会”。此次成果入选 ICML 2026，体现了相关工作在科学机器学习、生成模型与天文学交叉方向的创新性和国际影响力。

系外行星轨道反演是天文学中的典型复杂反问题。由于实际观测往往只覆盖行星轨道周期的一小部分，轨道参数之间容易出现强退化、多峰后验和非高斯结构。传统贝叶斯采样方法虽然精度较高，但通常需要大量似然计算，在复杂任务中计算开销较高，难以支撑未来巡天任务中的快速分析与观测决策。

针对这一瓶颈，联合研究团队提出 FUSE 框架，将多模态 Flow Matching 生成模型与 Feynman-Kac 路径引导策略相结合，使模型能够在生成过程中持续融合观测信息与物理参数信息，并动态向高概率后验区域演化。相比现有神经后验估计方法，FUSE 更擅长处理多峰和强退化后验，在保持精度的同时显著提升推断效率。

图1：FUSE 框架示意图。模型通过多模态 Transformer 融合观测与参数信息，并利用 FK-Steering 在推断过程中提升后验

采样质量。

在国际标准 Simulation-Based Inference Benchmark（SBIBM）测试中，FUSE 在多个任务和不同模拟数据规模下均取得优于 NPE、FMPE、Simformer 等代表性方法的表现，显示出良好的后验恢复精度、样本效率和泛化能力。

研究团队进一步将 FUSE 应用于真实系外行星系统 β Pictoris b 的轨道参数反演。结果表明，FUSE 能够准确恢复高精度 PTMCMC 参考结果，并有效解析传统方法难以处理的轨道倾角、升交点赤经等参数退化关系。更重要的是，FUSE 将原本约 8.5 小时的高精度轨道推断过程缩短至约三分钟，为未来“近实时”更新系外行星轨道、快速安排 JWST 等大型望远镜后续观测提供了新的技术可能。

图2：FUSE 在 β Pictoris b 轨道参数反演任务中的表现。FUSE 后验结果与 PTMCMC 参考结果高度一致，并显著优于现有方法。

该研究展示了生成式人工智能在科学发现中的重要潜力。未来，FUSE 有望进一步拓展至多行星系统、空间引力波探测、宇宙学参数估计等复杂科学反问题场景。工作的共同第一作者为上海科技大学秦炜宸、谢宇凡，通讯作者为中国科学院力学研究所梁博和上海科技大学张家恺。

论文题目：《FUSE: FK-Steered Multi-Modal Flow Matching for Efficient Simulation-Based Posterior Estimation》

会议链接：https://icml.cc/virtual/2026/poster/62622