DreamSAC：通过对称性探索学习哈密顿世界模型
计算机视觉与模式识别
2026-03-10 v1 人工智能
机器学习
摘要
学习的世界模型在插值式泛化方面表现优异，但在面对新物理属性的外推式泛化时失败。这一限制源于它们学习的是统计相关性，而非环境的底层生成规则，如物理不变性和守恒定律。我们认为，学习这些不变性是实现稳健外推的关键。为此，我们首先引入了“对称性探索”，这是一种无监督的探索策略，智能体受基于哈密顿量的好奇心奖励驱动，主动探测和挑战其对守恒定律的理解，从而收集富有物理信息的数据。其次，我们设计了一种基于哈密顿量的世界模型，通过一种新颖的自监督对比目标从原始的、依赖视角的像素观测中识别不变的物理状态。我们的框架DreamSAC在此基础上训练，显著优于3D物理模拟任务中现有的领先方法，在需要外推的任务上表现更佳。
引用
@article{arxiv.2603.07545,
title = {DreamSAC: Learning Hamiltonian World Models via Symmetry Exploration},
author = {Jinzhou Tang and Fan Feng and Minghao Fu and Wenjun Lin and Biwei Huang and Keze Wang},
journal= {arXiv preprint arXiv:2603.07545},
year = {2026}
}
备注
19 pages, 5 figures