SRNN：用于直觉物理理解的时空关系神经网络
人工智能
2025-11-20 v2 机器学习
摘要
人类在直觉物理方面的能力尚未被机器类比。为弥合这一差距，我们主张致力于脑类比计算原则。这篇论文引入了时空关系神经网络(SRNN)，该网络在专门的"What"和"How"路径上建立统一的神经表示，用于表示物体属性、关系和时间线，其计算由赫布式"Fire Together, Wire Together"机制控制。这种统一表示直接用于生成视觉场景的结构化语言描述，构建了感知与语言之间的桥梁。 在CLEVRER基准测试上，SRNN实现了具竞争力的性能，从而确认了其能够代表视觉流中essential时空关系的能力。认知消融分析进一步揭示了基准偏差，为更全面的评估指明了方向。最后，SRNN的白盒特性使我们能够精确定位错误根源。我们的工作为将生物智慧的关键原则转化为受限环境中直觉物理理解的工程系统提供了可行性案例。
引用
@article{arxiv.2511.06761,
title = {SRNN: Spatiotemporal Relational Neural Network for Intuitive Physics Understanding},
author = {Fei Yang},
journal= {arXiv preprint arXiv:2511.06761},
year = {2025}
}