流匹配是一種新興的生成模型，透過學習一個速度場並對其進行數值積分來從噪聲中生成資料。在這一過程中，積分步數（Number of Function Evaluations, NFE）直接決定了推理的計算成本。因此，理解並減少數值積分誤差對於提高流匹配模型的效率至關重要。
由Chenxi Tao和Seung-Kyum Choi撰寫的最新論文深入探究了速度場的哪些特性主導了數值積分誤差。研究人員將速度場的雅可比矩陣分解為對稱部分（應變率張量S）和反對稱部分（渦度張量Ω），並利用這一分解展開了系統分析。
理論分析表明，應變和渦度在積分誤差中扮演著截然不同的角色。應變透過其對數範數導致誤差呈指數級放大，而渦度僅對區域性截斷誤差產生線性貢獻。這一發現意味著，控制應變率是減少積分誤差的關鍵，而渦度的影響相對較小。此外，研究還證明，最優傳輸速度場是無旋的（即渦度為零），且其物質導數為零。這一性質使得對於精確位移插值，相關的拉格朗日粒子動力學可以透過簡單的尤拉法實現精確積分，無需使用更復雜的積分器。
基於這些理論見解，作者提出了一種加權雅可比正則化方法，透過引入應變權重α和渦度權重β來分別懲罰速度場的應變和渦度分量。在二維合成資料上的實驗驗證了理論預測：在NFE=5時，正則化將積分誤差降低了最多2.7倍。初步的CIFAR-10影像生成實驗也顯示出一致的趨勢，透過輕量級微調，在NFE=10時實現了FID評分14%的提升，同時保持了高NFE下的生成質量。
這項研究為流匹配模型的加速推理提供了堅實的理論指導，強調了在訓練過程中控制速度場應變率的重要性。未來的工作可以探索更復雜的正則化策略以及在大規模實際資料集上的應用，有望進一步推動流匹配在高效生成領域的實用化。