神经力场：少样本学习的通用物理推理

物理推理是人类一种显著的能力，使其能够从有限经验中快速学习和 generalization。当前AI模型尽管经过大量训练，仍难以在 Out-of-distribution (OOD) 环境中实现类似的推理，尤其是在 generalization 上。这种局限性源于其无法从观察中抽象出核心物理原理。一个关键挑战是开发能够高效从最小数据学习和 generalization 物理动力学的表示。本文提出了神经力场（Neural Force Field, NFF），是一种扩展神经常微分方程（NODE）的框架，用于通过力场表示学习复杂对象之间的相互作用，这些表示可以通过常微分方程（ODE）求解器高效集成，以预测物体轨迹。与现有依赖离散潜在空间的方法不同，NFF 通过连续显式力场捕获物理概念，如重力、支撑和碰撞。针对三个具有挑战性的物理推理任务进行实验，表明 NFF 在仅少量示例的情况下，能够对未见情景实现强大的 generalization。这种基于物理的表示 enables efficient forward-backward planning and rapid adaptation through interactive refinement。我们的工作表明，将 physics-inspired representations 融入学习系统有助于弥合人工智能与人类物理推理能力之间的差距。