通过深层强化学习获取稀缺观察下的类人力学直觉
计算物理
2026-01-30 v1
摘要
人类仅通过少量观察即可推断出准确的力学结果，这一能力称为力学直觉。然而，这种数据高效学习的机制仍不清晰。本文提出了一种强化学习框架，其中智能体将连续物理观察参数编码到其状态中，并通过在紧密相关的观察之间进行episode切换进行训练。在仅仅两到三个观察后，智能体便获得了能够在广泛的参数范围内准确泛化的稳健力学直觉，实验在brachistochrone问题和大变形弹性板上均得到验证。我们通过统一的理论视角解释这种泛化：当学习的值函数在相邻任务参数上强制执行Bellman一致性时，Bellman残差相对于物理变化保持平稳，这导致策略平滑，捕捉到连续任务序列中底维solution流形。我们的工作确立了episodic切换作为人工力学直觉的原则方法，并提供了与生物学习者类似泛化能力的理论联系。
引用
@article{arxiv.2601.21881,
title = {Acquiring Human-Like Mechanics Intuition from Scarce Observations via Deep Reinforcement Learning},
author = {Jingruo Peng and Shuze Zhu},
journal= {arXiv preprint arXiv:2601.21881},
year = {2026}
}