神经力场：广义物理推理的小样本学习

物理推理是一种卓越的人类能力，能够从有限的经验中快速学习和泛化。当前的人工智能模型，尽管经过大量训练，仍然难以实现类似的泛化，尤其是在分布外（OOD）环境中。这一局限性源于它们无法从观测中抽象出核心物理原理。一个关键挑战是开发能够从最少数据中有效学习和泛化物理动力学的表示。在这里，我们提出了神经力场（NFF），这是一个扩展神经常微分方程（NODE）的框架，通过力场表示学习复杂的物体交互，可以通过常微分方程（ODE）求解器有效积分以预测物体轨迹。与依赖离散潜在空间的现有方法不同，NFF在连续显式力场中捕捉重力、支撑和碰撞等基本物理概念。在三个具有挑战性的物理推理任务上的实验表明，仅用少量示例训练的NFF能够对未见场景实现强泛化。这种基于物理的表示能够实现高效的前向-后向规划和通过交互式细化的快速适应。我们的工作表明，将受物理启发的表示纳入学习系统有助于弥合人工与人类物理推理能力之间的差距。